一．模型介绍

图像扩展是突破了模型界限，极大地促进了计算机视觉基础模型的发展。

图像扩展是一个提示型模型，其在1100万张图像上训练了超过10亿个掩码，实现了强大的零样本泛化。许多研究人员认为「这是 CV 的 GPT-3 时刻，因为 图像扩展已经学会了物体是什么的一般概念，甚至是未知的物体、不熟悉的场景（如水下、细胞显微镜）和模糊的情况」，并展示了作为 CV 基本模型的巨大潜力。

图像扩展模型概览

2023年4月6号，Meta AI公开了Segment Anything Model（图像扩展），使用了有史以来最大的分割数据集Segment Anything 1-Billion mask dataset（SA-1B），其内包含了1100万张图像，总计超过10亿张掩码图，模型在训练时被设计为交互性的可提示模型，因此可以通过零样本学习转移到新的图像分布和任务中。在其中他们提出一个用于图像分割的基础模型，名为图像扩展。该模型被发现在NLP和CV领域中表现出较强的性能，研究人员试图建立一个类似的模型来统一整个图像分割任务。

图像扩展架构主要包含三个部分：图像编码器；提示编码器；以及掩码解码器。

Meta AI提出一个大规模多样化的图像分割数据集：SA-1B（包含1100万张图片以及10亿个Mask图）

在这项工作中，图像扩展的目标是建立一个图像分割的基础模型（Foundation Models）。其目标是在给定任何分割提示下返回一个有效的分割掩码，并在一个大规模且支持强大泛化能力的数据集上对其进行预训练，然后用提示工程解决一系列新的数据分布上的下游分割问题。

项目关键的三部分包括组件：任务、模型、数据。

任务：在NLP和CV中，基础模型是一个很有前途的发展，受到启发，研究者提出了提示分割任务，其目标是在给定任何分割提示下返回一个有效的分割掩码。

二．模型架构

三．我的工作

1. 准备数据集：为了微调图像扩展模型，我需要准备一个包含标注数据的数据集。

2. def __init__(self, root, split='train', mode='fine', target_type='semantic', transform=None):

        self.root = os.path.expanduser(root)

        self.mode = 'gtFine'

        self.target_type = target_type

        self.images_dir = os.path.join(self.root, 'leftImg8bit', split)

        self.targets_dir = os.path.join(self.root, self.mode, split)

        self.transform = transform

        self.split = split

        self.images = []

        self.targets = []

        if split not in ['train', 'test', 'val']:

            raise ValueError('Invalid split for mode! Please use split="train", split="test"'

                             ' or split="val"')

        if not os.path.isdir(self.images_dir) or not os.path.isdir(self.targets_dir):

            raise RuntimeError('Dataset not found or incomplete. Please make sure all required folders for the'

                               ' specified "split" and "mode" are inside the "root" directory')

        for city in os.listdir(self.images_dir):

            img_dir = os.path.join(self.images_dir, city)

            target_dir = os.path.join(self.targets_dir, city)

            for file_name in os.listdir(img_dir):

                self.images.append(os.path.join(img_dir, file_name))

                target_name = '{}_{}'.format(file_name.split('_leftImg8bit')[0],

                                             self._get_target_suffix(self.mode, self.target_type))

                self.targets.append(os.path.join(target_dir, target_name))

    @classmethod

    def encode_target(cls, target):

        return cls.id_to_train_id[np.array(target)]

    @classmethod

    def decode_target(cls, target):

        target[target == 255] = 19

        #target = target.astype('uint8') + 1

        return cls.train_id_to_color[target]

    def __getitem__(self, index):

        """

        Args:

            index (int): Index

        Returns:

            tuple: (image, target) where target is a tuple of all target types if target_type is a list with more

            than one item. Otherwise target is a json object if target_type="polygon", else the image segmentation.

        """

        image = Image.open(self.images[index]).convert('RGB')

        target = Image.open(self.targets[index])

        if self.transform:

            image, target = self.transform(image, target)

        target = self.encode_target(target)

        return image, target

    def __len__(self):

        return len(self.images)

    def _load_json(self, path):

        with open(path, 'r') as file:

            data = json.load(file)

        return data

    def _get_target_suffix(self, mode, target_type):

        if target_type == 'instance':

            return '{}_instanceIds.png'.format(mode)

        elif target_type == 'semantic':

            return '{}_labelIds.png'.format(mode)

        elif target_type == 'color':

            return '{}_color.png'.format(mode)

        elif target_type == 'polygon':

            return '{}_polygons.json'.format(mode)

        elif target_type == 'depth':

            return '{}_disparity.png'.format(mode)

2. 加载预训练模型：需要加载已经预训练好的图像扩展模型。

3. 冻结层：为了防止在微调过程中破坏预训练模型的权重，我需要冻结一些层。这些层的权重将不会被更新。

4. 添加自定义层：我添加了自定义层来适应自动驾驶分割的任务。这些层可以是全连接层、卷积层、池化层等。

5. 训练模型：通过反向传播算法，训练图像扩展模型。在训练过程中，可以调整学习率和批次大小等参数。

6. 评估模型：在训练完成后，评估图像扩展模型的性能。

def validate(opts, model, loader, device, metrics, ret_图像扩展ples_ids=None):

    """Do validation and return specified 图像扩展ples"""

    metrics.reset()

    ret_图像扩展ples = []

    if opts.save_val_results:

        if not os.path.exists('results'):

            os.mkdir('results')

        denorm = utils.Denormalize(mean=[0.485, 0.456, 0.406],

                                   std=[0.229, 0.224, 0.225])

        img_id = 0

    with torch.no_grad():

        for i, (images, labels) in tqdm(enumerate(loader)):

            images = images.to(device, dtype=torch.float32)

            labels = labels.to(device, dtype=torch.long)

7. 微调模型：如果模型性能不够好，我通过Intel的架构One API微调它。微调包括调整超参数、修改网络结构等操作。最后得到了较好的效果。

四．测试

一开始测试效果很糟糕，各个物体的边缘都不大清晰，怀疑是损失函数的问题，多次尝试不同损失函数之后，得到了最好的效果如下:

五．总结

在这次比赛中，我收获匪浅，不仅仅得到了比赛的相关经验和经历，还利用了最先进的Intel架构和相关的图像分割顶尖模型，能够让我学到更多并且走得更远！正如我标题所说，站在巨人的肩膀上！