【变化检测】基于Tinycd建筑物(LEVIR-CD)变化检测实战及ONNX推理

本文主要是介绍【变化检测】基于Tinycd建筑物(LEVIR-CD)变化检测实战及ONNX推理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

主要内容如下：

1、LEVIR-CD数据集介绍及下载
2、运行环境安装
3、Tinycd模型训练与预测
4、Onnx运行及可视化

运行环境：Python=3.8，torch1.12.0+cu113
likyoo变化检测源码：https://github.com/likyoo/open-cd
使用情况：代码风格属于openmmlab那套，通过修改配置文件config进行模型选择和训练、环境配置简单、训练速度一般。
训练资源消耗：默认参数配置，且batch_size为8时，显存占用6G左右，RTX4080迭代40000大概1.5小时。

1 LEVIR-CD数据集介绍

1.1 简介

LEVIR-CD 由 637 个超高分辨率（VHR，0.5m/像素）谷歌地球（GE）图像块对组成，大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化，尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里，我们关注与建筑相关的变化，包括建筑增长（从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化）和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签（1 表示变化，0 表示不变）进行注释。我们数据集中的每个样本都由一个注释者进行注释，然后由另一个进行双重检查以生成高质量的注释。
数据来源：https://justchenhao.github.io/LEVIR/
论文地址：https://www.mdpi.com/2072-4292/12/10/1662
快速下载链接：https://aistudio.baidu.com/datasetdetail/104390/1

1.2 示例

2 运行环境安装

2.1 基础环境安装

【超详细】跑通YOLOv8之深度学习环境配置1-Anaconda安装
【超详细】跑通YOLOv8之深度学习环境配置2-CUDA安装

创建Python环境及换源可借鉴如下：
【超详细】跑通YOLOv8之深度学习环境配置3-YOLOv8安装

2.2 likyoo变化检测代码环境安装

2.2.1 代码下载

Git：git clone https://github.com/likyoo/open-cd.git

2.2.2 环境安装

# 1 创建环境
conda create -n likyoo python=3.8
conda activate likyoo# 2 安装torch
# 方式1：
conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.3 -c pytorch
# 方式2：
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113# 3 验证torch安装是否为gpu版
import torch
print(torch.__version__)  # 打印torch版本
print(torch.cuda.is_available())  # True即为成功
print(torch.version.cuda)
print(torch.backends.cudnn.version())# 4 安装其他依赖库
cd ./open-cd-main# 4.1 安装 OpenMMLab 相关工具
pip install -U openmim
mim install mmengine
mim install "mmcv==2.0.0"
mim install "mmpretrain>=1.0.0rc7"  # (本地安装版本为1.2.0)
pip install "mmsegmentation==1.2.2"
pip install "mmdet==3.0.0"# 4.2 编译安装open-cd
pip install -v -e .# 5 可能缺少的库
pip install ftfy

3 Tinycd模型训练与预测

3.1 Tinycd模型介绍

略，后补上

3.2 模型训练与预测

3.2.1 修改训练配置文件

（1）修改configs\tinycd\tinycd_256x256_40k_levircd.py
crop_size输入大小，默认256*256，可以自行设置其他值，如512；
num_classes默认为2【不变】；

（2）修改configs\common\standard_256x256_40k_levircd.py
关键修改：输入数据集路径data_root一定要对！！！
batch_size和迭代数量等按自己需要调整，预测为1024大小。

（3）configs_base_\models\tinycd.py
模型结构修改：【默认不变】
主干默认为efficientnet_b4，可以自行调整更换；

训练资源消耗：默认参数配置，且batch_size为8时，显存占用6G左右，RTX4080迭代40000次大概1.5小时。

3.2.2 模型训练与测试

# 训练，--config配置文件+保存文件夹名
python tools/train.py configs/tinycd/tinycd_256x256_40k_levircd.py --work-dir ./tinycd# 测试==》得到结果图
python tools/test.py configs/tinycd/tinycd_256x256_40k_levircd.py tinycd/latest.pth --show-dir tmp_infer# 测试==》得到评价指标
python tools/test.py configs/tinycd/tinycd_256x256_40k_levircd.py tinycd/latest.pth

3.2.3 结果显示

训练完再弄上…

这篇关于【变化检测】基于Tinycd建筑物(LEVIR-CD)变化检测实战及ONNX推理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---