# LPS-Net

**Repository Path**: ngc13009/LPS-Net

## Basic Information

- **Project Name**: LPS-Net
- **Description**: https://github.com/YihengZhang-CV/LPS-Net.git
↑ 该仓库同步于这里
它的论文在：https://arxiv.org/pdf/2207.13600.pdf
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-06-09
- **Last Updated**: 2024-06-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LPS-Net
用于语义分割的轻量级和渐进可扩展网络

原始论文在 [这里](https://arxiv.org/pdf/2207.13600.pdf).

<figure>
<img src="img/intro-sota.png" alt="Speed-mIoU" style="width:100%">
<figcaption> 速度和性能（平均交并比）的图表。该图表数据基于使用 NVIDIA GTX 1080Ti GPU 的 TensorRT 下测试得到。图中提供了我们的LPSnet的3个型号的模型测试结果。</figcaption>
</figure>

## 如何开始
### 环境需求
| Package         | 版本         |
|-----------------|--------------|
| torch           | 1.9.0+cu111  |
| torchvision     | 0.10.0+cu111 |
| numpy           | 1.21.1       |
| onnx            | 1.10.0       |
| onnx-simplifier | 0.3.6        |
| Pillow          | 8.3.1        |
| TensorRT        | 7.1.3.4      |

### 使用命令行来评估
为了基于Cityscapes（城市街景数据集），使用`val_miou.py`评估LPS-Net-S的性能，你需要先安置好 [Cityscapes](https://www.cityscapes-dataset.com/) 数据集，并在`imagelist_val.txt"/"val_miou.py`内修改数据集路径。然后运行：
```commandline
python val_miou.py
```
正常的输出是：
```commandline
Total 500 images for validation.
LPS-Net-S on Cityscapes validation set: mean IoU=73.9%
```

### 测量延迟
要在FP32模式下使用TensorRT测量设备上LPS-Net-S的推理延迟，请运行：
```commandline
python latency.py
```
必须先确认[TensorRT](https://developer.nvidia.com/tensorrt)已经正确的被安装并且配置。

### 仓库中的文件
| 文件              | 说明                                                                                                                                                                                  |
|-------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| val_miou.py       | 在Cityscapes验证集上评估LPS-Net-S的平均IoU性能。                                                                                                        |
| latency.py        | 用TensorRT在FP32模式下测量LPS-Net的推理延迟。                                                                                                                    |
| lpsnet.py         | LPS网络的定义和实现。                                                                                                                                           |
| expand.py         | 一些扩展功能。                                                                                                                                               |
| LPS-Net-S.pth     | LPS-Net-S.的预训练权重。基于城市景观数据集（Cityscapes）训练。                                                                                                               |
| imagelist_val.txt | Cityscapes验证集上的图像标签对列表。它用于“val_miou.py”评估网络的平均IoU性能。注意，标签图像应使用官方的“trainId”。           |


## 引用
如果本仓库对您的工作有用，那么可以使用如下格式引用本仓库以及论文（ps：这个是原作者的，我只是搬运过来的）:
```
@article{zhang2022lpsnet,
  title   = {Lightweight and Progressively-Scalable Networks for Semantic Segmentation},
  author  = {Zhang, Yiheng and Yao, Ting and Qiu, Zhaofan and Mei, Tao},
  journal = {ArXiv},
  year    = {2022},
  volume  = {abs/2207.13600}
}
```

## 原仓库位置

[LPS-Net.git（GitHub）](https://github.com/YihengZhang-CV/LPS-Net.git)