文章來源于AI算法與圖像處理，作者AI_study

今天要分享的是人像分割相關的內容，如果你喜歡的話，歡迎三連哦

主要內容

人像分割簡介

UNet的簡介

UNet實現人像分割

人像分割簡介

人像分割的相關應用非常廣，例如基于人像分割可以實現背景的替換做出各種非常酷炫的效果。我們將訓練數據擴充到人體分割，那么我們就是對人體做美顏特效處理，同時對背景做其他的特效處理，這樣整張畫面就會變得更加有趣，更加提高顏值了，這里我們對人體前景做美顏調色處理，對背景做了以下特效：

①景深模糊效果，用來模擬雙攝聚焦效果；

②馬賽克效果

③縮放模糊效果

④運動模糊效果

⑤油畫效果

⑥線條漫畫效果

⑦Glow夢幻效果

⑧鉛筆畫場景效果

⑨擴散效果

例子：

例子來源：https://blog.csdn.net/Trent1985/article/details/80578841

https://zhuanlan.zhihu.com/p/48080465 （實現背景灰化）

而在在實現這些效果之前，所需要的一步操作都是需要將人像摳出來。今天的主要內容是要介紹如何使用UNet實現人像分割。

UNet的簡介

UNet的結構非常簡單，廣泛應用于醫學圖像分割，2015年發表在 MICCAI，谷歌學術上目前引用量8894，可以看出來其影響力。

UNet的結構，有兩個最大的特點，U型結構和skip-connection（如下圖）。

UNet網絡，類型于一個U字母：首先進行Conv（兩次）+Pooling下采樣；然后Deconv反卷積進行上采樣（部分采用resize+線性插值上采樣），crop之前的低層feature map，進行融合；然后再次上采樣。重復這個過程，直到獲得輸出388x388x2的feature map，最后經過softmax獲得output segment map。總體來說與FCN思路非常類似。

U-Net采用了與FCN完全不同的特征融合方式：拼接！

參考資料：https://zhuanlan.zhihu.com/p/57437131

https://www.zhihu.com/question/269914775/answer/586501606

https://www.zhihu.com/people/george-zhang-84/posts

UNet實現人像分割

該項目是基于 https://github.com/milesial/Pytorch-UNet （2.6k star 車輛分割）修改的，并提供人像分割的數據集（1.15G）。

人像分割項目鏈接：https://github.com/leijue222/portrait-matting-unet-flask

官方下載鏈接：http://www.cse.cuhk.edu.hk/leojia/projects/automatting/index.html

或者：

百度網盤：http://pan.baidu.com/s/1dE14537

密碼：ndg8

該項目已經提供了預訓練模型，如果你不想重新訓練，可以自己clone下來，按照下面的操作一步一步運行即可。

環境配置

• Python 3.6

• PyTorch >= 1.1.0

• Torchvision >= 0.3.0

• Flask 1.1.1

• future 0.18.2

• matplotlib 3.1.3

• numpy 1.16.0

• Pillow 6.2.0

• protobuf 3.11.3

• tensorboard 1.14.0

• tqdm==4.42.1

# clone 項目 git clone https://github.com/leijue222/portrait-matting-unet-flask.git# 進入到文件夾中 cd portrait-matting-unet-flask/#?準備好一張待分割的人像圖片，運行下面的代碼即可生成mask并保存 python?predict.py?-i?image.jpg?-o?output.jpg

作者提供的測試demo

如果你想重新訓練的話，也很容易，根據上面提供的數據集，將原圖和mask分別

放置在 文件夾 data/imgs和 data/masks 路徑下即可

然后運行下面的代碼

python train.py -e 200 -b 1 -l 0.1 -s 0.5 -v 15.0

各個參數的含義

-e 表示 epoch 數

-b 表示?batch size

-l 表示學習率

-s 表示 scale

-v 表示 驗證集所占的百分比

最后我們在看一下 UNet 網絡的核心代碼

定義UNet 需要用的主要模塊

class DoubleConv(nn.Module):"""(convolution?=>?[BN]?=>?ReLU)?*?2"""def __init__(self, in_channels, out_channels):super().__init__()self.double_conv = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True),nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))def forward(self, x):return self.double_conv(x)class Down(nn.Module):"""Downscaling with maxpool then double conv"""def __init__(self, in_channels, out_channels):super().__init__()self.maxpool_conv = nn.Sequential(nn.MaxPool2d(2),DoubleConv(in_channels, out_channels))def forward(self, x):return self.maxpool_conv(x)class Up(nn.Module):"""Upscaling?then?double?conv"""def __init__(self, in_channels, out_channels, bilinear=True):super().__init__()# if bilinear, use the normal convolutions to reduce the number of channelsif bilinear:self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)else:self.up = nn.ConvTranspose2d(in_channels // 2, in_channels // 2, kernel_size=2, stride=2)self.conv = DoubleConv(in_channels, out_channels)def forward(self, x1, x2):x1 = self.up(x1)# input is CHWdiffY = torch.tensor([x2.size()[2] - x1.size()[2]])diffX = torch.tensor([x2.size()[3] - x1.size()[3]])x1 = F.pad(x1, [diffX // 2, diffX - diffX // 2,diffY // 2, diffY - diffY // 2])x = torch.cat([x2, x1], dim=1)return?self.conv(x)class OutConv(nn.Module):def __init__(self, in_channels, out_channels):super(OutConv, self).__init__()self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1)def forward(self, x):return self.conv(x)

利用上面定義好的模塊，輕松的實現UNet網絡

class UNet(nn.Module):def __init__(self, n_channels, n_classes, bilinear=True):super(UNet, self).__init__()self.n_channels = n_channelsself.n_classes = n_classesself.bilinear = bilinearself.inc = DoubleConv(n_channels, 64)self.down1 = Down(64, 128)self.down2 = Down(128, 256)self.down3 = Down(256, 512)self.down4 = Down(512, 512)self.up1 = Up(1024, 256, bilinear)self.up2 = Up(512, 128, bilinear)self.up3 = Up(256, 64, bilinear)self.up4 = Up(128, 64, bilinear)self.outc = OutConv(64, n_classes)def forward(self, x):x1 = self.inc(x)x2 = self.down1(x1)x3 = self.down2(x2)x4 = self.down3(x3)x5 = self.down4(x4)x = self.up1(x5, x4)x = self.up2(x, x3)x = self.up3(x, x2)x = self.up4(x, x1)logits = self.outc(x)return logits

資料匯總

人像分割項目鏈接：https://github.com/leijue222/portrait-matting-unet-flask

數據集下載

百度網盤：http://pan.baidu.com/s/1dE14537

密碼：ndg8

官方下載鏈接：http://www.cse.cuhk.edu.hk/leojia/projects/automatting/index.html

UNet相關知識點參考資料：

https://zhuanlan.zhihu.com/p/57437131

https://www.zhihu.com/question/269914775/answer/586501606

https://www.zhihu.com/people/george-zhang-84/posts

---

感謝你能看到這里，希望你能給我來一個一鍵三連（分享、在看+點贊），文章都是在我996工作后擠出來時間分享給大家，你的支持是我堅持的最大動力！

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請掃碼進群：

總結

以上是生活随笔為你收集整理的【CV】基于UNet网络实现的人像分割 | 附数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。