在模型训练结束,结束后,通常是一个分割模型,输入 1024x1024 输出 4x1024x1024。
一种方法就是将整个图切块,然后每张预测,但是有个不好处就是可能在边界处断续。
由于这种切块再预测很ugly,所以直接遍历整个图预测(这就是相当于卷积啊),防止边界断续,还有一个问题就是防止图过大不能超过20M。
很有意思解决上边的问题。话也不多说了。直接上代码:
from farmlanddataset import FarmDataset import torch as tc from osgeo import gdal from torchvision import transforms import png import numpy as np use_cuda=True model=tc.load('./tmp/model30') #torch.save(model,'./tmp/model{}'.format(epoch)) device = tc.device("cuda" if use_cuda else "cpu") model=model.to(device) model.eval() ds=FarmDataset(istrain=False) def createres(d,outputname): #创建一个和ds大小相同的灰度图像BMP driver = gdal.GetDriverByName("BMP") #driver=ds.GetDriver() od=driver.Create('./tmp/'+outputname,d.RasterXSize,d.RasterYSize,1) return od def createpng(height,width,data,outputname): w=png.Writer(width,height,bitdepth=2,greyscale=True) of=open('./tmp/'+outputname,'wb') w.write_array(of,data.flat) of.close() return def predict(d,outputname='tmp.bmp'): wx=d.RasterXSize #width wy=d.RasterYSize #height print(wx,wy) od=data=np.zeros((wy,wx),np.uint8) #od=createres(d,outputname=outputname) #ob=od.GetRasterBand(1) #得到第一个channnel blocksize=1024 step=512 for cy in range(step,wy-blocksize,step): for cx in range(step,wx-blocksize,step): img=d.ReadAsArray(cx-step,cy-step,blocksize,blocksize)[0:3,:,:] #channel*h*w if (img.sum()==0): continue x=tc.from_numpy(img/255.0).float() #print(x.shape) x=x.unsqueeze(0).to(device) r=model.forward(x) r=tc.argmax(r.cpu()[0],0).byte().numpy() #512*512 #ob.WriteArray(r,cx,cy) od[cy-step//2:cy+step//2,cx-step//2:cx+step//2]=r[256:step+256,256:step+256] print(cy,cx) #del od createpng(wy,wx,od,outputname) return print("start predict.....") predict(ds[0],'image_3_predict.png') print("start predict 2 .....") predict(ds[1],'image_4_predict.png')
然后看看我的结果:提交了,晚上希望有个不错的结果
看上边的分类结果,真是感慨深度学习大法好,传统的遥感分类完全没有办法,上边结果在比赛中评测指标>0.2。
有了这些就可以发挥想象力和搬家能力,训练模型。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Pytorch 加载保存模型,进行模型推断【直播】2019 年县域农业大脑AI挑战赛—(三)保存结果 - Python技术站