视觉基础实战：分类检测+目标检测+语义分割+实例分割（CNN+YOLOV11+MMSegmentation）
视觉人工智能（Visual AI）作为计算机科学领域的重要分支，近年来取得了突飞猛进的发展。从简单的图像分类到复杂的目标检测和语义分割，视觉AI技术正在广泛应用于自动驾驶、医疗影像分析、工业质检、安防监控等众多领域。随着深度学习技术的不断演进，特别是卷积神经网络Transformer架构以及多模态大模型的兴起，视觉AI的性能和效率得到了显著提升。
三、MMSegmentation语义分割（PSPNet+DeepLab）
前言
视觉人工智能（Visual AI）作为计算机科学领域的重要分支，近年来取得了突飞猛进的发展。从简单的图像分类到复杂的目标检测和语义分割，视觉AI技术正在广泛应用于自动驾驶、医疗影像分析、工业质检、安防监控等众多领域。随着深度学习技术的不断演进，特别是卷积神经网络、Transformer架构以及多模态大模型的兴起，视觉AI的性能和效率得到了显著提升。本文通过三个具体的工程实践案例——CNN图像分类、YOLOv11目标检测和MMSegmentation语义分割，系统总结了视觉AI的关键技术路线和实现方法，旨在为相关领域的学习者和研究者提供实用的参考指南。从技术发展脉络来看，视觉AI正经历着从专用小模型到通用大模型的演进过程。如中国科学院自动化研究所紫东太初大模型研究中心指出，传统的视觉模型往往依赖于大量标注数据、泛化能力差，难以适应不同场景，而视觉基础模型通过自监督预训练和大规模参数学习，正逐步克服这些局限性。接下来的章节将详细阐述三种典型视觉任务的工程实践，并结合最新研究进展分析其技术原理与发展趋势。
一、CNN分类CIFAR-10
1.数据集准备
数据集可以在网址 https://www.cs.toronto.edu/~kriz/cifar.html 中进行下载
2.环境配置
conda create -n cnn python=3.8
conda activate cnn
根据自己的显卡型号，驱动版本，源码版本等进行选择pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
3.回到CNN检测（基于pytorch手搓）
项目目录如下
# 声明：本代码并非自己编写，由他人提供
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
import torchvision.transforms as transforms
import torch.optim as optim
import time
import os
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
transform = transforms.Compose(
[
transforms.RandomHorizontalFlip(),
transforms.RandomGrayscale(),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
transform1 = transforms.Compose(
[
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./cifar10_vgg', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=100, shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./cifar10_vgg', train=False, download=True, transform=transform1)
testloader = torch.utils.data.DataLoader(testset, batch_size=50, shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 64, 3, padding=1)
self.conv2 = nn.Conv2d(64, 64, 3, padding=1)
self.pool1 = nn.MaxPool2d(2, 2)
self.bn1 = nn.BatchNorm2d(64)
self.relu1 = nn.ReLU()
self.conv3 = nn.Conv2d(64, 128, 3, padding=1)
self.conv4 = nn.Conv2d(128, 128, 3, padding=1)
self.pool2 = nn.MaxPool2d(2, 2, padding=1)
self.bn2 = nn.BatchNorm2d(128)
self.relu2 = nn.ReLU()
self.conv5 = nn.Conv2d(128, 128, 3, padding=1)
self.conv6 = nn.Conv2d(128, 128, 3, padding=1)
self.conv7 = nn.Conv2d(128, 128, 1, padding=1)
self.pool3 = nn.MaxPool2d(2, 2, padding=1)
self.bn3 = nn.BatchNorm2d(128)
self.relu3 = nn.ReLU()
self.conv8 = nn.Conv2d(128, 256, 3, padding=1)
self.conv9 = nn.Conv2d(256, 256, 3, padding=1)
self.conv10 = nn.Conv2d(256, 256, 1, padding=1)
self.pool4 = nn.MaxPool2d(2, 2, padding=1)
self.bn4 = nn.BatchNorm2d(256)
self.relu4 = nn.ReLU()
self.conv11 = nn.Conv2d(256, 512, 3, padding=1)
self.conv12 = nn.Conv2d(512, 512, 3, padding=1)
self.conv13 = nn.Conv2d(512, 512, 1, padding=1)
self.pool5 = nn.MaxPool2d(2, 2, padding=1)
self.bn5 = nn.BatchNorm2d(512)
self.relu5 = nn.ReLU()
self.fc14 = nn.Linear(512 * 4 * 4, 1024)
self.drop1 = nn.Dropout2d()
self.fc15 = nn.Linear(1024, 1024)
self.drop2 = nn.Dropout2d()
self.fc16 = nn.Linear(1024, 10)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = self.pool1(x)
x = self.bn1(x)
x = self.relu1(x)
x = self.conv3(x)
x = self.conv4(x)
x = self.pool2(x)
x = self.bn2(x)
x = self.relu2(x)
x = self.conv5(x)
x = self.conv6(x)
x = self.conv7(x)
x = self.pool3(x)
x = self.bn3(x)
x = self.relu3(x)
x = self.conv8(x)
x = self.conv9(x)
x = self.conv10(x)
x = self.pool4(x)
x = self.bn4(x)
x = self.relu4(x)
x = self.conv11(x)
x = self.conv12(x)
x = self.conv13(x)
x = self.pool5(x)
x = self.bn5(x)
x = self.relu5(x)
# print(" x shape ",x.size())
x = x.view(-1, 512 * 4 * 4)
x = F.relu(self.fc14(x))
x = self.drop1(x)
x = F.relu(self.fc15(x))
x = self.drop2(x)
x = self.fc16(x)
return x
def train_sgd(self, device):
optimizer = optim.SGD(self.parameters(), lr=0.01)
path = 'weights.tar'
initepoch = 0
if os.path.exists(path) is not True:
loss = nn.CrossEntropyLoss()
else:
checkpoint = torch.load(path)
self.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
initepoch = checkpoint['epoch']
loss = checkpoint['loss']
for epoch in range(initepoch, 20): # loop over the dataset multiple times
timestart = time.time()
running_loss = 0.0
total = 0
correct = 0
for i, data in enumerate(trainloader, 0):
# get the inputs
inputs, labels = data
inputs, labels = inputs.to(device), labels.to(device)
optimizer.zero_grad()
outputs = self(inputs)
l = loss(outputs, labels)
l.backward()
optimizer.step()
running_loss += l.item()
if i % 500 == 499:
print('[%d, %5d] loss: %.4f' %
(epoch, i, running_loss / 500))
running_loss = 0.0
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the %d tran images: %.3f %%' % (total,
100.0 * correct / total))
total = 0
correct = 0
torch.save({'epoch': epoch,
'model_state_dict': net.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss
}, path)
print('epoch %d cost %3f sec' % (epoch, time.time() - timestart))
print('Finished Training')
def test(self, device):
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
images, labels = images.to(device), labels.to(device)
outputs = self(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %.3f %%' % (100.0 * correct / total))
def classify(self, device):
class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
for data in testloader:
images, labels = data
images, labels = images.to(device), labels.to(device)
outputs = self(images)
_, predicted = torch.max(outputs.data, 1)
c = (predicted == labels).squeeze()
for i in range(4):
label = labels[i]
class_correct[label] += c[i]
class_total[label] += 1
for i in range(10):
print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))
if __name__ == '__main__':
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
net = Net()
net = net.to(device)
net.train_sgd(device)
net.test(device)
net.classify(device)4.运行结果
4.总结
此阶段主要熟悉数据集使用 以及通过代码学习:
网络架构：采用VGG风格的卷积神经网络，通过堆叠3×3卷积和最大池化层逐步提取特征，使用批归一化加速训练，Dropout防止过拟合
训练流程：实现了数据增强、模型训练、检查点保存与恢复。每500个batch输出损失和准确率，支持从断点继续训练。
工程实践：包含GPU自动检测、多进程数据加载、SSL证书处理等实用技巧。测试时使用torch.no_grad()节省内存，并提供整体和分类别准确率评估。
二、YOLOv11训练自己的数据集进行目标检测
1.环境配置
( 参考https://github.com/ultralytics/ultralytics )
官网下载好项目后配置环境
conda create -n yolov11 python=3.8
conda activate yolov11
pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118
（也可以通过下载好的whl文件直接安装torch等）
pip install torch-2.0.0+cu118-cp39-cp39-win_amd64.whl
安装ultralytics库
pip install ultralytics可通过以下代码测试环境配置是否成功
from ultralytics import YOLO
# 加载预训练的 YOLOv11n 模型
model = YOLO('/home/hy/ultralytics/runs/detect/train5/weights/best.pt')
source = '/home/hy/ultralytics/img.png' #更改为自己的图片路径
# 运行推理，并附加参数
model.predict(source, save=True)
可在run/detect看到测试结果
2.数据集
https://universe.roboflow.com/
该网址非常适合获取目标检测数据集，文件标注格式齐全
在搜索框搜Safety helmet（本次实验针对安全帽做检测）
注册后，进入左侧栏目dataset点击右侧Download Dataset下载
如下图选择yolo11格式（TXT）
解压后就是训练所需的格式
3. 训练模型
3.1 创建data.yaml
在yolov11根目录下（即本文所用的ultralytics目录下）创建一个新的data.yaml文件，也可以是其他名字的例如hat.yaml文件，文件名可以变但是后缀需要为.yaml，内容如下
train: /home/hy/ultralytics/data_me/train/images
val: /home/hy/ultralytics/data_me/valid/images
test: /home/hy/ultralytics/data_me/test/images
nc: 1
names: ['helmet']
roboflow:
workspace: i-gusti-fajar
project: safety-helmet-1nzb5
version: 2
license: CC BY 4.0
url: https://universe.roboflow.com/i-gusti-fajar/safety-helmet-1nzb5/dataset/2其他路径和类别自己替换，需要和上面数据集转换那里类别顺序一致。
3.2 训练模型
下载预训练权重进行训练，这里使用yolov11n.pt
ultralytics根目录中，创建一个yolov11_train.py文件，内容如下，关闭amp训练。没有GPU需要改 device="cpu" 。
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('ultralytics/cfg/models/11/yolo11n.yaml')
model.load('yolo11n.pt') #注释则不加载
results = model.train(
data='hat.yaml', #数据集配置文件的路径
epochs=200, #训练轮次总数
batch=16, #批量大小，即单次输入多少图片训练
imgsz=640, #训练图像尺寸
workers=8, #加载数据的工作线程数
device= 0, #指定训练的计算设备，无nvidia显卡则改为 'cpu'
optimizer='SGD', #训练使用优化器，可选 auto,SGD,Adam,AdamW 等
amp= True, #True 或者 False, 解释为：自动混合精度(AMP) 训练
cache=False # True 在内存中缓存数据集图像，服务器推荐开启
)4. 模型测试
找到之前训练的结果保存路径，创建一个yolov11_predict.py文件，内容如下
from ultralytics import YOLO
# 加载预训练的 YOLOv11n 模型
model = YOLO('/home/hy/ultralytics/runs/detect/train5/weights/best.pt')
source = '/home/hy/ultralytics/img.png' #更改为自己的图片路径
# 运行推理，并附加参数
model.predict(source, save=True)
运行后就会得到预测模型结果。
可在runs目录下看到结果
三、MMSegmentation语义分割（PSPNet+DeepLab）
1. mmseg安装
可参照官方文档进行安装https://mmsegmentation.readthedocs.io/zh-cn/latest/get_started.html
conda create --name openmmlab python=3.8 -y
conda activate openmmlab
在 GPU 平台上：
conda install pytorch torchvision -c pytorch
在 CPU 平台上
conda install pytorch torchvision cpuonly -c pytorch
步骤 0. 使用 MIM 安装 MMCV
pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"
步骤 1. 安装 MMSegmentation
情况 a: 如果您想立刻开发和运行 mmsegmentation，您可通过源码安装：
git clone -b main https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -v -e .
# '-v' 表示详细模式，更多的输出
# '-e' 表示以可编辑模式安装工程，
# 因此对代码所做的任何修改都生效，无需重新安装
验证安装是否成功
为了验证 MMSegmentation 是否正确安装，我们提供了一些示例代码来运行一个推理 demo 。
步骤 1. 下载配置文件和模型文件
mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .
下载结束，您将看到以下两个文件在当前工作目录：pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py 和 pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth
步骤 2. 验证推理 demo
运行以下命令即可：
python demo/image_demo.py demo/demo.png configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth --device cuda:0 --out-file result.jpg
2. 数据集下载
进入cityscapes官网：https://www.cityscapes-dataset.com/downloads/
下载数据集需要用教育邮箱注册账号，我们注册并登录后下载这三个数据集：
3. 数据集准备
在数据集下载完成后，我们需使用cityscapes数据集官方公开工具集创建带有标签ID的png图像工具集github地址 https://link.gitcode.com/i/bf6a551ba70e69925e33f6156cedbe8e?isLogin=1
下载cityscapesscripts后将其放置data目录
我们主要使用其中的preparation/createTrainIdLabelImgs.py，
注意将cityscapesPath改为自己数据集的路径
#!/usr/bin/python
#
# Converts the polygonal annotations of the Cityscapes dataset
# to images, where pixel values encode ground truth classes.
#
# The Cityscapes downloads already include such images
# a) *color.png : the class is encoded by its color
# b) *labelIds.png : the class is encoded by its ID
# c) *instanceIds.png : the class and the instance are encoded by an instance ID
#
# With this tool, you can generate option
# d) *labelTrainIds.png : the class is encoded by its training ID
# This encoding might come handy for training purposes. You can use
# the file labels.py to define the training IDs that suit your needs.
# Note however, that once you submit or evaluate results, the regular
# IDs are needed.
#
# Uses the converter tool in 'json2labelImg.py'
# Uses the mapping defined in 'labels.py'
#
# python imports
from __future__ import print_function, absolute_import, division
import os, glob, sys
sys.path.append('/home/hy/mmsegmentation-main/data/cityscapes/cityscapesscripts')
# cityscapes imports
from cityscapesscripts.helpers.csHelpers import printError
from cityscapesscripts.preparation.json2labelImg import json2labelImg
# The main method
def main():
# Where to look for Cityscapes
# if 'CITYSCAPES_DATASET' in os.environ:
# cityscapesPath = os.environ['/home/hy/mmsegmentation-main/data/cityscapes']
# else:
# cityscapesPath = os.path.join(os.path.dirname(os.path.realpath(__file__)),'..','..')
# how to search for all ground truth
cityscapesPath = os.environ['CITYSCAPES_DATASET']
searchFine = os.path.join( cityscapesPath , "gtFine" , "*" , "*" , "*_gt*_polygons.json" )
searchCoarse = os.path.join( cityscapesPath , "gtCoarse" , "*" , "*" , "*_gt*_polygons.json" )
# search files
filesFine = glob.glob( searchFine )
filesFine.sort()
filesCoarse = glob.glob( searchCoarse )
filesCoarse.sort()
# concatenate fine and coarse
files = filesFine + filesCoarse
# files = filesFine # use this line if fine is enough for now.
# quit if we did not find anything
if not files:
printError( "Did not find any files. Please consult the README." )
# a bit verbose
print("Processing {} annotation files".format(len(files)))
# iterate through files
progress = 0
print("Progress: {:>3} %".format( progress * 100 / len(files) ), end=' ')
for f in files:
# create the output filename
dst = f.replace( "_polygons.json" , "_labelTrainIds.png" )
# do the conversion
try:
json2labelImg( f , dst , "trainIds" )
except:
print("Failed to convert: {}".format(f))
raise
# status
progress += 1
print("\rProgress: {:>3} %".format( progress * 100 / len(files) ), end=' ')
sys.stdout.flush()
# call the main
if __name__ == "__main__":
main()
注意 此处应将CITYSCAPES_DATASET填为自己的路径
或设置环境变量export CITYSCAPES_DATASET=/path/to/your/cityscapes
在代码中第一行，将工具包的路径改为自己的
sys.path.append('/home/hy/mmsegmentation-main/data/cityscapes/cityscapesscripts')
然后运行文件，标签转换进行，等待转换完成即可
4. pspnet模型训练
当数据集准备好后，在项目中新建一个data/cityscapes路径存放数据集
项目的config目录下有着各种各样的模型文件可供选择，并且可以直接使用
本次训练中选择了PSPNet模型
mmsegmentation中介绍了单卡训练的命令：python tools/train.py ${CONFIG_FILE} [可选参数]
多卡训练的命令：sh tools/dist_train.sh ${CONFIG_FILE} ${GPUS} [可选参数]
我使用的是服务器中的单张3090进行训练，运行命令：
python tools/train.py configs/pspnet/pspnet_r18b-d8_512x1024_80k_cityscapes.py
若没有权限运行sh文件，运行命令：
chmod a+x tools/dist_train.sh
再次运行训练的命令，即可成功开始训练，–work-dir参数若没有指定则会自动生成一个work_dirs文件夹，用来存储模型的权重文件和训练日志
5. 模型测试
创建一个测试代码
from mmseg.apis import init_model, inference_model, show_result_pyplot
import torch
# 1. 定义路径
config_file = '/home/hy/mmsegmentation-main/configs/pspnet/pspnet_r18-d8_4xb2-80k_cityscapes-512x1024.py'
checkpoint_file = '/home/hy/mmsegmentation-main/work_dirs/pspnet_r18-d8_4xb2-80k_cityscapes-512x1024/iter_8000.pth'
img_path = 'path/to/your/test_image.jpg' # 请替换为您的图片路径
# 2. 初始化模型[1](@ref)
# 设置设备
device = 'cuda:0' if torch.cuda.is_available() else 'cpu'
# 初始化模型，加载权重
model = init_model(config_file, checkpoint_file, device=device)
# 3. 将模型设置为评估模式[4](@ref)
model.eval()
# 4. 进行推理[3](@ref)
with torch.no_grad(): # 禁用梯度计算以节省内存和计算资源
result = inference_model(model, img_path)
# 5. 可视化并保存结果
# 在新窗口中显示结果（会阻塞程序直到关闭图片窗口）
vis_result = show_result_pyplot(model, img_path, result, show=True)
# 或者，直接将结果保存为图片文件
vis_result = show_result_pyplot(model, img_path, result, out_file='output_result.jpg', opacity=0.5) # opacity控制分割掩码的透明度
print("分割结果已保存至 'output_result.jpg'")测试结果
总结
通过CNN图像分类、YOLOv11目标检测和MMSegmentation语义分割三项工程实践，我们系统探索了视觉AI的核心任务和技术实现。这些实践表明，成功的视觉AI项目需要模型架构、数据质量和训练策略三者的协同优化。同时，视觉AI技术正从专用模型向通用大模型演进，面临多模态融合、效率优化、可信可靠等重要挑战。未来，随着物理启发模型、仿生设计等新思路的引入，视觉AI有望在更多实际场景中发挥更大价值，推动人工智能技术在产业中的深度融合与创新应用。
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
27
0- 0
已为社区贡献1条内容
所有评论(0)