基于UNet的街景图像分割项目

本项目实现了基于UNet架构的街景图像分割方法，主要针对CamVid数据集进行预训练、跨域适应和小目标优化实验。

🚀 项目概述

本项目包含三个主要实验部分：

• Part 1: 预训练和评估（Sunny数据集）
• Part 2: 跨域适应实验（Cloudy数据集）
• Part 3: 小目标分割优化

项目支持两种UNet模型：

• 标准UNet
• 改进的UNet（增强小目标分割能力）

📊 数据集

项目使用CamVid数据集，包含14个语义分割类别：

• Sky, Building, Pole, Road, LaneMarking, SideWalk, Pavement
• Tree, SignSymbol, Fence, Car_Bus, Pedestrian, Bicyclist, Unlabelled

数据集包含两种天气条件：

• Sunny: 晴天场景
• Cloudy: 多云场景

🛠️ 环境配置

系统要求

• Python 3.10+
• CUDA 11.8+
• Windows 10/11 或 Linux

方法一：使用Conda环境 (推荐)

1. 安装Anaconda或Miniconda

   # 下载并安装Anaconda
   # https://www.anaconda.com/products/distribution

2. 创建并激活环境

   # 使用environment.yml创建环境
   conda env create -f environment.yml
   
   # 激活环境
   conda activate unet

方法二：使用pip安装

1. 创建虚拟环境

   python -m venv unet_env
   
   # Windows
   unet_env\Scripts\activate
   
   # Linux/Mac
   source unet_env/bin/activate

2. 安装依赖

   pip install -r requirements.txt

核心依赖包

• 深度学习框架: PyTorch 2.4.1
• 图像处理: PIL, OpenCV, scikit-image
• 数据科学: NumPy, Matplotlib, tqdm
• 其他: colorama, networkx

📁 项目结构

M/
├── README.md                    # 项目说明文档
├── requirements.txt             # Python依赖包
├── environment.yml             # Conda环境配置
├── config.py                   # 项目配置文件
├── run.py                      # 主实验运行脚本
├── 技术报告.md                  # 详细技术报告
│
├── CamVid/                     # 数据集目录
│   ├── sunny/                  # 晴天数据
│   └── cloudy/                 # 多云数据
│
├── models/                     # 模型定义
│   ├── unet.py                 # 标准UNet
│   └── improved_unet.py        # 改进UNet
│
├── data/                       # 数据处理模块
│   ├── dataset.py              # 数据集类
│   ├── augmentation.py         # 数据增强
│   └── statistics/             # 数据统计
│
├── losses/                     # 损失函数
│   └── losses.py               # 各种损失函数实现
│
├── utils/                      # 工具函数
│   ├── metrics.py              # 评估指标
│   ├── training.py             # 训练工具
│   ├── object_metrics.py       # 目标级指标
│   └── visualization.py        # 可视化工具
│
├── outputs/                    # 实验结果
│   ├── part1_pretrain_evaluation/
│   ├── part2_domain_adaptation/
│   └── part3_small_object_optimization/
│
└── visualization/              # 预测结果可视化
    ├── unet_predictions/
    └── improved_unet_predictions/

🏃‍♂️ 运行指南

完整实验流程

使用主脚本运行所有三个部分的实验：

python run.py

分步骤运行

Part 1: 预训练和评估

python part1_pretrain_evaluation.py

• 在Sunny数据集上训练UNet模型
• 评估模型性能并生成可视化结果
• 保存最佳模型权重

Part 2: 跨域适应实验

python part2_domain_adaptation.py

• 使用预训练模型在Cloudy数据集上进行微调
• 比较不同损失函数和优化器的效果
• 生成跨域适应性能报告

Part 3: 小目标优化

python part3_small_object_optimization.py

• 针对小目标类别（Car_Bus, LaneMarking, Pedestrian）进行优化
• 比较标准UNet和改进UNet的性能
• 生成小目标分割改进分析

单独预测

python predict_and_save.py

配置参数

主要配置参数在 config.py 中设置：

# 数据路径
DATA_ROOT_SUNNY = 'CamVid/sunny'
DATA_ROOT_CLOUDY = 'CamVid/cloudy'

# 图像尺寸
IMG_SIZE = [384, 384]

# 类别数量
NUM_CLASSES = 14

# 小目标类别
SMALL_OBJECT_CLASSES = ['Car_Bus', 'LaneMarking', 'Pedestrian', ...]

📈 实验结果

Part 1: 预训练结果

• 模型在Sunny数据集上的基准性能
• 各类别的分割精度和IoU指标
• 最佳和最差预测样例展示

Part 2: 跨域适应结果

• 不同损失函数（CE Loss, Dice Loss, Combined Loss）的比较
• 不同优化器（Adam, AdamW, SGD, ASGD）的性能对比
• 训练和验证指标的对比分析

Part 3: 小目标优化结果

• 改进UNet在小目标分割上的提升效果
• Car_Bus, LaneMarking, Pedestrian类别的详细分析
• 基线模型与改进模型的性能对比

🔧 故障排除

常见问题

1. CUDA内存不足

   # 减小batch size
   # 在config.py中调整BATCH_SIZE参数

2. 数据集路径错误

   # 确保CamVid数据集正确放置在项目根目录
   # 检查config.py中的路径配置

3. 依赖包版本冲突

   # 建议使用conda环境隔离
   conda env create -f environment.yml

性能优化建议

• 使用GPU加速训练（需要CUDA支持）
• 根据显存大小调整batch_size
• 使用数据并行训练加速

📝 技术报告

详细的技术实现和实验分析请参考 技术报告.md 文件。

🤝 贡献

欢迎提交Issue和Pull Request来改进项目。

📄 许可证

本项目仅供学习和研究使用。

📞 联系方式

如有问题或建议，请通过Issue或邮件联系。

---

最后更新: 2025年6月27日