fix merging

README.md

@@ -1,21 +1,22 @@
 # PdRSCD
 
-[![Python 3.7](https://img.shields.io/badge/python-3.7+-yellow.svg)](https://www.python.org/downloads/release/python-370/) [![Paddle 2.1.0](https://img.shields.io/badge/Paddle-2.1.0-red.svg)](https://www.python.org/downloads/release/python-370/) [![License](https://img.shields.io/badge/license-Apache%202.0-orange.svg)](LICENSE) ![GitHub Repo stars](https://img.shields.io/github/stars/geoyee/PdRSCD)
+[![Python 3.7](https://img.shields.io/badge/python-3.7+-yellow.svg)](https://www.python.org/downloads/release/python-370/) [![Paddle 2.1.0](https://img.shields.io/badge/paddle-2.1+-red.svg)](https://www.python.org/downloads/release/python-370/) [![License](https://img.shields.io/badge/license-Apache%202.0-orange.svg)](LICENSE) ![GitHub Repo stars](https://img.shields.io/github/stars/geoyee/PdRSCD)
 
-PdRSCD（PaddlePaddle Remote Sensing Change Detection）是一个基于飞桨PaddlePaddle的遥感变化检测的项目，pypi包名为ppcd。可以像PaddleSeg一样快速完成变化检测任务。目前项目仍在开发中。
+PdRSCD（PaddlePaddle Remote Sensing Change Detection）是一个基于飞桨PaddlePaddle的遥感变化检测的项目，pypi包名为ppcd。目前0.2,版本，最新支持图像列表输入的训练和预测，如多期影像、多源影像甚至多期多源影像。可以快速完成分割、变化检测等任务。
 
 ## 在线项目实例
 
 1. [【ppcd快速入门】经典LEVIR数据集变化检测](https://aistudio.baidu.com/aistudio/projectdetail/2117261)
 2. [【ppcd快速入门】大图滑框变化检测与拼接](https://aistudio.baidu.com/aistudio/projectdetail/2136053)
 3. [【ppcd快速入门】多光谱遥感影像变化检测](https://aistudio.baidu.com/aistudio/projectdetail/2122781)
-4. [【ppcd快速入门】多标签遥感图像变化检测（待更）]()
-5. [【ppcd快速入门】分类标签遥感变化检测（待更）]()
-6. [【ppcd快速入门】正在想（待更）]()
+4. [【ppcd快速入门】多光谱遥感影像分割](https://aistudio.baidu.com/aistudio/projectdetail/2130151)
+5. [【ppcd快速入门】多标签遥感图像变化检测（待更）]()
+6. [【ppcd快速入门】分类标签遥感变化检测（待更）]()
+7. [【ppcd快速入门】正在想（待更）]()
 
 ## 特点
 
-1. 适应两期图像的读取和增强，支持jpg、tmp、tif和npy等格式，支持多光谱/波段
+1. 适应$N(N\ge1)$期图像的读取和增强，支持jpg、tmp、tif和npy等格式，支持多光谱/波段
 2. 有更多有特色的数据增强
 3. 适应分割图标签、分类标签以及多标签（分割+变化标签）
 4. 网络多返回、多标签和多损失之间的组合
@@ -70,13 +71,13 @@ sys.path.append('pd-rscd')  # 加载环境变量
 
 ## 说明
 
-1. 当前更新后需要在PaddlePaddle2.1.0上运行，否则会卡在DataLoader上。除此之外DataLoader可能还存在问题，例如在一个CPU项目上卡住了，不知道原因，建议在2.1.0及以上版本的GPU设备上运行（至少AI Studio的GPU肯定是没问题的）。
+1. 当前更新后需要在PaddlePaddle2.1.0及以上上运行，否则可能会卡在DataLoader上。除此之外DataLoader可能还存在问题，例如在一个CPU项目上卡住了，不知道原因，建议在2.1.0及以上版本的GPU设备上运行（至少AI Studio的GPU肯定是没问题的）。
 2. 由于GDAL无法直接通过pip安装，所以如果需要使用GDAL的地方目前需要自行安装GDAL。
 
 ## 后续重点
 
-1. 支持$N(N\ge1)$张输入数据，将分割、多期变化检测与多源数据任务结合。
-2. 支持ArcGIS shp的输入输出。
+- [ ] 添加多源数据输入，栅格得分结果输出的空间分析功能（问号）
+- [ ] 添加将tif转为shp以及读取shp进行训练。预测（尽量）
 
 ## 相关链接
 

ppcd/core/eval.py

@@ -33,8 +33,8 @@ def Eval(model,
     for val_load_data in tqdm(eval_loader):
         if val_load_data is None:
             break
-        (val_A_img, val_B_img, val_lab) = val_load_data
-        val_pred_list = model(val_A_img, val_B_img)
+        val_img, val_lab = val_load_data
+        val_pred_list = model(val_img)
         tmp_pred = []
         tmp_lab = []
         # 没有变化区标签的就不评估

ppcd/core/infer.py

@@ -25,8 +25,8 @@ def Infer(model,
     for idx, infer_load_data in enumerate(infer_loader):
         if infer_load_data is None:
             break
-        (A_img, B_img, name) = infer_load_data
-        pred_list = model(A_img, B_img)
+        img, name = infer_load_data
+        pred_list = model(img)
         # img = paddle.concat([A_img, B_img], axis=1)
         # pred_list = model(img)
         num_class, H, W = pred_list[0].shape[1:]
@@ -39,7 +39,11 @@ def Infer(model,
         else:
             save_img = (paddle.argmax(pred_list[0], axis=1). \
                             squeeze().numpy()).astype('uint8')
+<<<<<<< HEAD
         save_path = os.path.join(save_img_path, (name[0] + '.jpg'))
+=======
+        save_path = os.path.join(save_img_path, (name[0] + '.png'))
+>>>>>>> develop
         print('[Infer] ' + str(idx + 1) + '/' + str(lens) + ' file_path: ' + save_path)
         cv2.imwrite(save_path, save_img)
 
@@ -58,22 +62,23 @@ def Slide_Infer(model,
     if infer_data.is_tif == True:
         geoinfo = infer_data.geoinfo
     # 数据读取器
-    infer_loader = paddle.io.DataLoader(infer_data, batch_size=1)  # TODO:如何统一
+    # infer_loader = paddle.io.DataLoader(infer_data, batch_size=1)
+    infer_loader = DataLoader(infer_data, batch_size=1)
     # 开始预测
     if save_img_path is not None:
         if os.path.exists(save_img_path) == False:
             os.mkdir(save_img_path)
     model.eval()
     para_state_dict = paddle.load(params_path)
     model.set_dict(para_state_dict)
-    lens = len(infer_data)
+    # lens = len(infer_data)
     inf_imgs = []  # 保存块
     # for idx, infer_load_data in qenumerate(infer_loader):
     for infer_load_data in tqdm(infer_loader):
         if infer_load_data is None:
             break
-        (A_img, B_img) = infer_load_data
-        pred_list = model(A_img, B_img)
+        img = infer_load_data
+        pred_list = model(img)
         # img = paddle.concat([A_img, B_img], axis=1)
         # pred_list = model(img)
         num_class, H, W = pred_list[0].shape[1:]

ppcd/core/train.py

@@ -46,9 +46,9 @@ def Train(model,
                 batch_start = time.time()  # batch计时
                 if train_load_data is None:
                     break
-                (A_img, B_img, lab) = train_load_data
+                img, lab = train_load_data
                 iters += 1
-                pred_list = model(A_img, B_img)
+                pred_list = model(img)
                 # img = paddle.concat([A_img, B_img], axis=1)
                 # pred_list = model(img)
                 loss_list = loss_computation(

ppcd/datasets/README.md

@@ -11,25 +11,30 @@ dataset
    ├── train  # 训练数据
    |     ├── A  # 时段一
    |     ├── B  # 时段二
+   |     ├── C  # 时段三
    |     └── label  # 变化标签
    ├── val  # 评估数据
    |     ├── A
    |     ├── B
+   |     ├── C  # 时段三
    |     └── label
    └── infer  # 预测数据
          ├── A
-         └── B
+         ├── B
+         └── C
          
 dataset
    ├── P  # 正样本数据
    |   ├── A  # 时段一
-   |   └── B  # 时段二
+   |   ├── B  # 时段二
+   |   └── C  # 时段三
    └── N  # 负样本数据
        ├── A
-       └── B
+       ├── B
+       └── C  # 时段三
 ```
 
 ### 1.2 大图数据
 
-可以参考入门项目（[【ppcd快速入门】大图滑框变化检测与拼接](https://aistudio.baidu.com/aistudio/projectdetail/2121793)）的数据使用方式。只需要有两期图像和标签，可以通过`split_eval`进行划分。在使用时将`Dataset`中的`big_map`设置为`True`即可。
+可以参考入门项目（[【ppcd快速入门】大图滑框变化检测与拼接](https://aistudio.baidu.com/aistudio/projectdetail/2121793)）的数据使用方式。支持大于一期的图像和标签，可以通过`split_eval`进行划分。在使用时将`Dataset`中的`big_map`设置为`True`即可。注意输入的图像数据为列表，哪怕只有一张图像也需要组成列表。