语义分割算法

上传数据

以下处理过程中，基于如下组织的原始数据（非必须）

即以PascalVOC开源数据的方式进行组织。JPEGImages文件夹中全为图片，SegmentationClass文件夹中全为Mask语义分割标注图片。关系在于图片的文件名称是一一对应的（图片如果是IMG_20180129_163826.jpg，那么标注文件的名称是IMG_20180129_163826.png）。如：
图片IMG_20180129_163826.jpg：

标注图片IMG_20180129_163826.png：

最后使用zip压缩后上传即可（注意：根目录不能有中文，只能是大小写字母，数字和中划线下划线）

处理数据

构建处理上述语义分割数据的Pipeline

1. 节点：水果语义分割数据集
   数据节点。该数据即为上述上传的数据。
   数据为：

2. 节点： 正则提取
对数据进行处理，将数据的path路径进行正则提取，创建两个新字段：type和id
例：如数据图片path为root/JPEGImages/IMG_20180129_163826.jpg，解析完成后，type=JPEGImages, id=IMG_20180129_163826。如此解析的目的为使用type区分是数据图片还是mask图片，使用id将数据图片和mask图片进行JOIN一一对应起来。
节点参数

输出数据

3. 节点： SELECT
   对正则解析后的数据进行过滤操作，将数据图片和mask图片分开。
   节点参数
   选取数据图片的SELECT

   

   选取Mask图片的SELECT

输出数据
选取数据图片的SELECT

选取Mask图片的SELECT

4. 节点：重命名字段
   为了避免在JOIN过程中，有两个相同的content字段冲突，先对Mask数据所在的字段进行重命名。
   节点参数

   
   输出数据

5. 节点：LEFT JOIN
   根据第一步正则提取出来的id字段，将数据图片和Mask图片进行一一对应，两者构成一个完整的训练样本。
   节点参数

   
   输出数据

![检测15.png]
(//resource.ksyun.com/project/cms/968f88ec3483eb606d2183790d068bbe)

6. 节点：保存数据集
   将最后得到的输出持久化为数据集，便于在后续流程中使用。

训练等

和分类算法的使用过程类似。
构建一个Pipeline，使用上述处理好的数据和预训练模型作为训练的输入，将训练输出的模型进行保存，同时也部署一个API对结果进行可视化查看。

1. 通过API查看效果
   在API部署中找到刚刚部署的API。上传测试数据。