在一篇文中，讲到对水表盘的读数进行语义分割后的数据处理和文字识别。可以参看：73.Python——语义分割后期处理：水表读数。本文主要是对水表盘的读数进行语义分割。

数据集：150张水表图片：

一、标签标注

使用labelme工具，标注过程是枯燥、机械、无聊的，把水表盘数字的区域框选出来。

二、数据格式转换和划分数据集

LabelMe标注后的数据还需要进行转换为SEG格式，才可以用于语义分割任务的训练。

paddlex --data_conversion --source labelme --to SEG --pics jpegimages --annotations annotations --save_dir meter-water-seg

生成一个label.txt文件，内容

_background_
number

划分数据集：

>paddlex --split_dataset --format SEG --dataset_dir meter-water-seg --val_value 0.2 --test_value 0.1

三、准备好数据后，开启训练，并把训练模型转出部署模型，用于后面的分割预测

这先使用的是fastscnn网络模型。训练代码：

import paddlex as pdx
from paddlex import transforms as T

#数据集格式转换
#数据集划分
#paddlex --data_conversion --source labelme --to SEG --pics holder\JPEGImages --annotations holder\Annotations  --save_dir holder-seg
#paddlex --split_dataset --format SEG --dataset_dir holder-seg --val_value 0.2 --test_value 0.1

# 输出推理模型
# paddlex -export_inference --model_dir best_model --save_dir inference

# 定义训练和验证时的transforms
train_transforms = T.Compose([
    T.Resize(target_size=512),
    T.RandomHorizontalFlip(),
    T.Normalize(
        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])

eval_transforms = T.Compose([
    T.Resize(target_size=512),
    T.Normalize(
        mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])

# 定义训练和验证所用的数据集
train_dataset = pdx.datasets.SegDataset(
    data_dir='meter-water-seg',
    file_list='meter-water-seg/train_list.txt',
    label_list='meter-water-seg/labels.txt',
    transforms=train_transforms,
    shuffle=True)

eval_dataset = pdx.datasets.SegDataset(
    data_dir='meter-water-seg',
    file_list='meter-water-seg/val_list.txt',
    label_list='meter-water-seg/labels.txt',
    transforms=eval_transforms,
    shuffle=False)

# 初始化模型，并进行训练
num_classes = len(train_dataset.labels)
model = pdx.seg.FastSCNN(num_classes=num_classes)

model.train(
    num_epochs=10,
    train_dataset=train_dataset,
    train_batch_size=4,
    eval_dataset=eval_dataset,
    learning_rate=0.05,
    save_dir='output/fastscnn-water-meter-seg')

#训练最后一轮评估
[INFO]      Start to evaluate(total_samples=30, total_steps=30)...
 [INFO]      [EVAL] Finished, Epoch=10, miou=0.926228, category_iou=[0.9961706 0.8562857]
, oacc=0.996256, category_acc=[0.99774253 0.93541026], kappa=0.920662, category_F1-score=[0.99808163 0.92257
966] .

输出部署模型

paddlex --export_inference --model_dir best_model --save_dir infer

四、语义分割模型预测

import paddlex as pdx
import cv2
import os
import numpy as np 

#os.environ["CUDA_VISBLE_DEVICES"]="0,1"
predictor=pdx.deploy.Predictor("output/fastscnn-water-meter-seg/inference_model",use_gpu=True)
image_name="meter-water-seg/JPEGImages/train_136.jpg"
img=cv2.imread(image_name)
result=predictor.predict(img)
lblmap=result["label_map"]

#返回label_map的轮廓多边形顶点坐标
def get_contours(lblmap):
    lblmap=lblmap.astype(np.uint8)
    contours,hir=cv2.findContours(lblmap,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)    
    epoll=0.01*cv2.arcLength(contours[0], True)
    ap=cv2.approxPolyDP(contours[0], epoll, True)
    return ap

#画多边形
cv2.polylines(img,[get_contours(lblmap)],True,(0,0,255),4)
cv2.imshow("result",img)
cv2.waitKey(0)
cv2.destroyAllWindows()