模型准备

项目需完成的任务是人体的部位分割 ，需要判断人体部位类别，属于人体解析的范畴。由于后面需要转为c++可调用的模型，这里需要先准备好模型。

数据集

关于人体解析的数据集可以看这篇博客，本项目采用的数据集是Person-part数据集，以上博客关于Person-part的地址已经失效，我是从其他地方找到的数据集，但是数据集中只有标签图片，于是又自己下了VOC2010的原数据集，（附VOC数据集简介）简单写了几行代码从里面将这些标签的原图像挑选了出来，整理到网盘中，便于需要的人取用。

其中pascal_person_part数据集中训练集和验证集总共3533张图片，不是很多，在后期训练的时候我将验证集也一起拿去训练了。。。标注语义分割的图片真的是究极耗时！究极！我用labelme标注了几张与这个数据集相同格式的图片，单人图片大概一张10分钟左右，每多一人大概多10-15分钟，自己标了几十张吧，就停下了，没有放进下面的链接中。项目需要继续推进，不能在标注数据上耗着，得先打通流程。

简单说下数据标注，labelme制作语义分割标签教程传送门，关于Groud truth中的七类标签：

BackGround 0, Head 1, Torso 2, Upper Arms 3,

Lower Arms 4, Upper Legs 5, Lower Legs 6

而labelme中的标签顺序是按照字母序，与Groud truth有点出入，于是我尝试按照0_bg,1_head,2_torso命名，后来用matlab打开标注后的图片看了一下，标签和Ground truth是一致的，可用。此传送门用于将json文件转换为标签文件。

链接：https://pan.baidu.com/s/1IYfTEOAA638k5D5anxgqyA 
提取码：5ine 
复制这段内容后打开百度网盘手机App，操作更方便哦

模型训练

先上GitHub一位大神整理的几个语义分割模型的项目地址，Readme中介绍的非常全面，这里不做多余介绍。由于我的数据集中只有7类标签，所用模型在定义时的num_classes改为7就可以了。然后根据requirements里面安装环境跑就完事。至此模型准备完毕，下一步准备将.pth模型文件转为c++可调用的.pt模型文件。

训练环境

ubantu18.04 

TiTan V*6

cuda10.2

torch1.1.0          
torchvision0.3.0
tqdm4.32.2
tensorboard1.14.0
Pillow6.2.0
opencv-python4.1.0.25