このページは Cloud Translation API によって翻訳されました。
Switch to English

画像のセグメンテーション

TensorFlow.orgで見る Google Colabで実行 GitHubでソースを表示する ノートブックをダウンロード

このチュートリアルでは、変更されたU-Netを使用した画像セグメンテーションのタスクに焦点を当てています。

画像のセグメンテーションとは何ですか?

ここまで、画像の分類を見てきました。ネットワークのタスクは、ラベルまたはクラスを入力画像に割り当てることです。ただし、オブジェクトが画像のどこにあるか、そのオブジェクトの形状、どのピクセルがどのオブジェクトに属しているかなどを知りたいとします。この場合、画像をセグメント化する必要があります。つまり、画像の各ピクセルはラベルを与えられた。したがって、画像セグメンテーションのタスクは、画像のピクセル単位のマスクを出力するようにニューラルネットワークをトレーニングすることです。これは、はるかに低いレベル、つまりピクセルレベルで画像を理解するのに役立ちます。画像セグメンテーションには、医療画像、自動運転車、衛星画像など、多くの用途があります。

このチュートリアルで使用するデータセットは、Parkhi らが作成したOxford-IIIT Pet Datasetです。データセットは、画像、対応するラベル、ピクセル単位のマスクで構成されています。マスクは基本的に各ピクセルのラベルです。各ピクセルには、次の3つのカテゴリのいずれかが割り当てられます。

  • クラス1:ペットに属するピクセル。
  • クラス2:ペットに隣接するピクセル。
  • クラス3:上記のいずれでもない/周囲のピクセル。
pip install -q git+https://github.com/tensorflow/examples.git
pip install -q -U tfds-nightly
 import tensorflow as tf
 
 from tensorflow_examples.models.pix2pix import pix2pix

import tensorflow_datasets as tfds
tfds.disable_progress_bar()

from IPython.display import clear_output
import matplotlib.pyplot as plt
 

Oxford-IIIT Petsデータセットをダウンロードする

データセットはTensorFlowデータセットにすでに含まれています。それをダウンロードするだけで済みます。セグメンテーションマスクはバージョン3以降に含まれています。

 dataset, info = tfds.load('oxford_iiit_pet:3.*.*', with_info=True)
 
Downloading and preparing dataset oxford_iiit_pet/3.2.0 (download: 773.52 MiB, generated: 774.69 MiB, total: 1.51 GiB) to /home/kbuilder/tensorflow_datasets/oxford_iiit_pet/3.2.0...
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/oxford_iiit_pet/3.2.0.incompletePHU3AK/oxford_iiit_pet-train.tfrecord
Shuffling and writing examples to /home/kbuilder/tensorflow_datasets/oxford_iiit_pet/3.2.0.incompletePHU3AK/oxford_iiit_pet-test.tfrecord
Dataset oxford_iiit_pet downloaded and prepared to /home/kbuilder/tensorflow_datasets/oxford_iiit_pet/3.2.0. Subsequent calls will reuse this data.

次のコードは、画像を反転する単純な拡張を実行します。さらに、画像は[0,1]に正規化されます。最後に、上記のように、セグメンテーションマスクのピクセルには{1、2、3}のいずれかのラベルが付けられます。便宜上、セグメンテーションマスクから1を引いて、{0、1、2}のラベルを作成します。

 def normalize(input_image, input_mask):
  input_image = tf.cast(input_image, tf.float32) / 255.0
  input_mask -= 1
  return input_image, input_mask
 
 @tf.function
def load_image_train(datapoint):
  input_image = tf.image.resize(datapoint['image'], (128, 128))
  input_mask = tf.image.resize(datapoint['segmentation_mask'], (128, 128))

  if tf.random.uniform(()) > 0.5:
    input_image = tf.image.flip_left_right(input_image)
    input_mask = tf.image.flip_left_right(input_mask)

  input_image, input_mask = normalize(input_image, input_mask)

  return input_image, input_mask
 
 def load_image_test(datapoint):
  input_image = tf.image.resize(datapoint['image'], (128, 128))
  input_mask = tf.image.resize(datapoint['segmentation_mask'], (128, 128))

  input_image, input_mask = normalize(input_image, input_mask)

  return input_image, input_mask
 

データセットには、必要なテストとトレーニングの分割がすでに含まれているため、同じ分割を引き続き使用してみましょう。

 TRAIN_LENGTH = info.splits['train'].num_examples
BATCH_SIZE = 64
BUFFER_SIZE = 1000
STEPS_PER_EPOCH = TRAIN_LENGTH // BATCH_SIZE
 
 train = dataset['train'].map(load_image_train, num_parallel_calls=tf.data.experimental.AUTOTUNE)
test = dataset['test'].map(load_image_test)
 
 train_dataset = train.cache().shuffle(BUFFER_SIZE).batch(BATCH_SIZE).repeat()
train_dataset = train_dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
test_dataset = test.batch(BATCH_SIZE)
 

画像の例を見てみましょう。これは、データセットの対応するマスクです。

 def display(display_list):
  plt.figure(figsize=(15, 15))

  title = ['Input Image', 'True Mask', 'Predicted Mask']

  for i in range(len(display_list)):
    plt.subplot(1, len(display_list), i+1)
    plt.title(title[i])
    plt.imshow(tf.keras.preprocessing.image.array_to_img(display_list[i]))
    plt.axis('off')
  plt.show()
 
 for image, mask in train.take(1):
  sample_image, sample_mask = image, mask
display([sample_image, sample_mask])
 

png

モデルを定義する

ここで使用されているモデルは変更されたU-Netです。 U-Netは、エンコーダー(ダウンサンプラー)とデコーダー(アップサンプラー)で構成されています。堅牢な機能を学習し、トレーニング可能なパラメーターの数を減らすために、事前トレーニング済みモデルをエンコーダーとして使用できます。したがって、このタスクのエンコーダーは、中間出力が使用される事前トレーニング済みのMobileNetV2モデルであり、デコーダーは、 Pix2pixチュートリアルの TensorFlowの例ですでに実装されているアップサンプルブロックです。

3つのチャネルを出力する理由は、各ピクセルに3つの可能なラベルがあるためです。これは、各ピクセルが3つのクラスに分類されるマルチ分類と考えてください。

 OUTPUT_CHANNELS = 3
 

前述のように、エンコーダーは、事前にトレーニングされたMobileNetV2モデルであり、 tf.keras.applicationsで使用できるように準備されています。エンコーダーは、モデルの中間層からの特定の出力で構成されます。エンコーダーはトレーニングプロセス中にトレーニングされないことに注意してください。

 base_model = tf.keras.applications.MobileNetV2(input_shape=[128, 128, 3], include_top=False)

# Use the activations of these layers
layer_names = [
    'block_1_expand_relu',   # 64x64
    'block_3_expand_relu',   # 32x32
    'block_6_expand_relu',   # 16x16
    'block_13_expand_relu',  # 8x8
    'block_16_project',      # 4x4
]
layers = [base_model.get_layer(name).output for name in layer_names]

# Create the feature extraction model
down_stack = tf.keras.Model(inputs=base_model.input, outputs=layers)

down_stack.trainable = False
 
Downloading data from https://storage.googleapis.com/tensorflow/keras-applications/mobilenet_v2/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_128_no_top.h5
9412608/9406464 [==============================] - 0s 0us/step

デコーダー/アップサンプラーは、TensorFlowの例に実装された一連のアップサンプルブロックです。

 up_stack = [
    pix2pix.upsample(512, 3),  # 4x4 -> 8x8
    pix2pix.upsample(256, 3),  # 8x8 -> 16x16
    pix2pix.upsample(128, 3),  # 16x16 -> 32x32
    pix2pix.upsample(64, 3),   # 32x32 -> 64x64
]
 
 def unet_model(output_channels):
  inputs = tf.keras.layers.Input(shape=[128, 128, 3])
  x = inputs

  # Downsampling through the model
  skips = down_stack(x)
  x = skips[-1]
  skips = reversed(skips[:-1])

  # Upsampling and establishing the skip connections
  for up, skip in zip(up_stack, skips):
    x = up(x)
    concat = tf.keras.layers.Concatenate()
    x = concat([x, skip])

  # This is the last layer of the model
  last = tf.keras.layers.Conv2DTranspose(
      output_channels, 3, strides=2,
      padding='same')  #64x64 -> 128x128

  x = last(x)

  return tf.keras.Model(inputs=inputs, outputs=x)
 

モデルをトレーニングする

あとは、モデルをコンパイルしてトレーニングするだけです。ここで使用されている損失はlosses.SparseCategoricalCrossentropy(from_logits=True)です。この損失関数を使用する理由は、ネットワークが各クラスにラベルを割り当てようとしているためです。これは、マルチクラス予測と同じです。真のセグメンテーションマスクでは、各ピクセルに{0,1,2}があります。ここのネットワークは3つのチャネルを出力しています。基本的に、各チャネルはクラスの予測とlosses.SparseCategoricalCrossentropy(from_logits=True)学習を試みていますlosses.SparseCategoricalCrossentropy(from_logits=True)は、このようなシナリオで推奨される損失です。ネットワークの出力を使用して、ピクセルに割り当てられたラベルは、最高の値を持つチャネルです。これがcreate_mask関数が行っていることです。

 model = unet_model(OUTPUT_CHANNELS)
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
 

結果のモデルアーキテクチャをざっと見てみましょう。

 tf.keras.utils.plot_model(model, show_shapes=True)
 

png

モデルを試して、トレーニングの前にそれが予測するものを見てみましょう。

 def create_mask(pred_mask):
  pred_mask = tf.argmax(pred_mask, axis=-1)
  pred_mask = pred_mask[..., tf.newaxis]
  return pred_mask[0]
 
 def show_predictions(dataset=None, num=1):
  if dataset:
    for image, mask in dataset.take(num):
      pred_mask = model.predict(image)
      display([image[0], mask[0], create_mask(pred_mask)])
  else:
    display([sample_image, sample_mask,
             create_mask(model.predict(sample_image[tf.newaxis, ...]))])
 
 show_predictions()
 

png

トレーニング中にモデルがどのように改善されるかを見てみましょう。このタスクを実行するために、以下にコールバック関数が定義されています。

 class DisplayCallback(tf.keras.callbacks.Callback):
  def on_epoch_end(self, epoch, logs=None):
    clear_output(wait=True)
    show_predictions()
    print ('\nSample Prediction after epoch {}\n'.format(epoch+1))
 
 EPOCHS = 20
VAL_SUBSPLITS = 5
VALIDATION_STEPS = info.splits['test'].num_examples//BATCH_SIZE//VAL_SUBSPLITS

model_history = model.fit(train_dataset, epochs=EPOCHS,
                          steps_per_epoch=STEPS_PER_EPOCH,
                          validation_steps=VALIDATION_STEPS,
                          validation_data=test_dataset,
                          callbacks=[DisplayCallback()])
 

png


Sample Prediction after epoch 20

57/57 [==============================] - 3s 52ms/step - loss: 0.1359 - accuracy: 0.9380 - val_loss: 0.3259 - val_accuracy: 0.8886

 loss = model_history.history['loss']
val_loss = model_history.history['val_loss']

epochs = range(EPOCHS)

plt.figure()
plt.plot(epochs, loss, 'r', label='Training loss')
plt.plot(epochs, val_loss, 'bo', label='Validation loss')
plt.title('Training and Validation Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss Value')
plt.ylim([0, 1])
plt.legend()
plt.show()
 

png

予測を行います

予測してみましょう。時間を節約するために、エポックの数は少なく保たれましたが、より正確な結果を得るためにこれをより高く設定することができます。

 show_predictions(test_dataset, 3)
 

png

png

png

次のステップ

画像のセグメンテーションとは何か、およびどのように機能するかについて理解したので、このチュートリアルをさまざまな中間層出力またはさまざまな事前トレーニング済みモデルで試すことができます。 KaggleでホストされているCarvana画像マスキングチャレンジを試すこともできます。

また、独自のデータで再トレーニングできる別のモデルのTensorflow Object Detection APIを確認することもできます。