本文主要是介绍植株计数-密度估计-从高分辨率RGB图像中快速实现高通量植物计数，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！
TasselNetv2+
- TasselNetv2+
- 亮点
- 安装
- 准备数据
- 推断
- 训练
- 使用自己的数据集
- 引用
TasselNetv2+
该存储库包含TasselNetv2+用于植物计数的官方实现，详见论文：
TasselNetv2+: A Fast Implementation for High-Throughput Plant Counting from High-Resolution RGB Imagery
《植物科学前沿》, 2020
郝路 和 曹志国
亮点
- 高效： TasselNetv2+的运行速度比TasselNetv2快一个数量级，在单个GTX 1070上在1980×1080的图像分辨率上约为30fps；
- 有效： 与其对应的TasselNetv2相比，它重新训练了相同水平的计数精度；
- 易于使用： 预训练的植物计数模型包含在该存储库中。
安装
代码已在Python 3.7.4和PyTorch 1.2.0上进行了测试。请按照官方说明配置您的环境。查看requirements.txt中的其他所需包。
准备数据
小麦穗计数
- 从Google Drive（2.5 GB）下载小麦穗计数（WEC）数据集。我已重新组织了数据，该数据集的归属权属于此存储库。
- 解压缩数据集并将其移动到
./data文件夹中，路径结构应如下所示：
$./data/wheat_ears_counting_dataset
├──── train
│ ├──── images
│ └──── labels
├──── val
│ ├──── images
│ └──── labels
玉米雄穗计数
- 从Google Drive（1.8 GB）下载玉米雄穗计数（MTC）数据集。
- 解压缩数据集并将其移动到
./data文件夹中，路径结构应如下所示：
$./data/maize_counting_dataset
├──── trainval
│ ├──── images
│ └──── labels
├──── test
│ ├──── images
│ └──── labels
高粱穗计数
- 从Google Drive（152 MB）下载高粱穗计数（SHC）数据集。该数据集的归属权属于此存储库。我只使用了具有点状注释的两个子集。
- 解压缩数据集并将其移动到
./data文件夹中，路径结构应如下所示：
$./data/sorghum_head_counting_dataset
├──── original
│ ├──── dataset1
│ └──── dataset2
├──── labeled
│ ├──── dataset1
│ └──── dataset2
推断
运行以下命令以在WEC/MTC/SHC数据集上重现我们在TasselNetv2+上的结果：
sh config/hl_wec_eval.shsh config/hl_mtc_eval.shsh config/hl_shc_eval.sh
- 结果保存在路径
./results/$dataset/$exp/$epoch中。
epoch: 470, mae: 5.50, mse: 10.03, relerr: 32.37%, relerr10: 14.67%, r2: 0.8778
epoch: 480, mae: 5.52, mse: 10.09, relerr: 33.53%, relerr10: 14.71%, r2: 0.8753
epoch: 490, mae: 5.96, mse: 10.62, relerr: 30.87%, relerr10: 16.10%, r2: 0.8741
epoch: 500, mae: 5.58, mse: 10.22, relerr: 29.42%, relerr10: 15.37%, r2: 0.8765
best mae: 5.09, best mse: 9.06, best_relerr: 33.81, best_relerr10: 14.09, best_r2: 0.8880
overall best mae: 5.09, overall best mse: 8.95, overall best_relerr: 28.17, overall best_relerr10: 14.09, overall best_r2: 0.9062
训练
运行以下命令以在WEC/MTC/SHC数据集上训练TasselNetv2+：
sh config/hl_wec_train.shsh config/hl_mtc_train.shsh config/hl_shc_train.sh
使用自己的数据集
要在自己的数据集上使用此框架，您可能需要：
- 使用点状注释标记您的数据。我推荐使用VGG Image Annotator；
- 生成像
gen_trainval_list.py示例中的训练/验证列表； - 按照
hldataset.py中的示例代码编写您的数据加载器； - 计算训练集上RGB的均值和标准差；
- 在
hltrainval.py中的dataset_list中创建一个新条目； - 按照
./config中的示例创建一个新的your_dataset.sh，并根据需要修改超参数（例如，批量大小，裁剪大小）。 - 训练和测试您的模型。玩得开心：）
引用
如果您发现这项工作或代码对您的研究有用，请引用：
@article{lu2020tasselnetv2plus,title={TasselNetV2+: A fast implementation for high-throughput plant counting from high-resolution RGB imagery},author={Lu, Hao and Cao, Zhiguo},journal={Frontiers in Plant Science},year={2020}
}@article{xiong2019tasselnetv2,title={TasselNetv2: in-field counting of wheat spikes with context-augmented local regression networks},author={Xiong, Haipeng and Cao, Zhiguo and Lu, Hao and Madec, Simon and Liu, Liang and Shen, Chunhua},journal={Plant Methods},volume={15},number={1},pages={150},year={2019},publisher={Springer}
}
这篇关于植株计数-密度估计-从高分辨率RGB图像中快速实现高通量植物计数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！
