全卷积网络（FCN）实战，Python开发基础入门教程

image_all_name = [image_file.replace(‘\’, ‘/’).split(‘/’)[-1].split(‘.’)[0] for image_file in image_all]

image_SegmentationClass = glob.glob(‘data/VOCdevkit/VOC2012/SegmentationClass/*.png’)

image_se_name= [image_file.replace(‘\’, ‘/’).split(‘/’)[-1].split(‘.’)[0] for image_file in image_SegmentationClass]

image_other=list(set(image_all_name) - set(image_se_name))

print(image_other)

for image_name in image_other:

os.remove(‘data/VOCdevkit/VOC2012/JPEGImages/{}.jpg’.format(image_name))

代码链接

===============================================================

本例选用的代码来自deep-learning-for-image-processing/pytorch_segmentation/fcn at master · WZMIAOMIAO/deep-learning-for-image-processing (github.com)

其他的代码也有很多，这篇比较好理解！

其实还有个比较好的图像分割库：https://github.com/qubvel/segmentation_models.pytorch

这个图像分割集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造。在后面的文章，我也会使用这个库演示。

项目结构

===============================================================

├── src: 模型的backbone以及FCN的搭建

├── train_utils: 训练、验证以及多GPU训练相关模块

├── my_dataset.py: 自定义dataset用于读取VOC数据集

├── train.py: 以fcn_resnet50(这里使用了Dilated/Atrous Convolution)进行训练

├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试

├── validation.py: 利用训练好的权重验证/测试数据的mIoU等指标，并生成record_mAP.txt文件

└── pascal_voc_classes.json: pascal_voc标签文件

由于代码很多不能一一讲解，所以，接下来对重要的代码做剖析。

自定义数据集读取

===================================================================

my_dataset.py自定义数据读取的方法，代码如下：

import os

import torch.utils.data as data

from PIL import Image

class VOCSegmentation(data.Dataset):

def init(self, voc_root, year=“2012”, transforms=None, txt_name: str = “train.txt”):

super(VOCSegmentation, self).init()

assert year in [“2007”, “2012”], “year must be in [‘2007’, ‘2012’]”

root = os.path.join(voc_root, “VOCdevkit”, f"VOC{year}")

root=root.replace(‘\’,‘/’)

assert os.path.exists(root), “path ‘{}’ does not exist.”.format(root)

image_dir = os.path.join(root, ‘JPEGImages’)

mask_dir = os.path.join(root, ‘SegmentationClass’)

txt_path = os.path.join(root, “ImageSets”, “Segmentation”, txt_name)

txt_path=txt_path.replace(‘\’,‘/’)

a