Ubuntu20.04使用Bisenet v2训练自己的数据

   
   1.数据集制作
     步骤1：使用labelme对图片进行标注，得到图片对应的.json文件；

     步骤2：通过labelme2dataset-main/labelme2BiSeNet工具进行图片处理，借鉴https://github.com/caozhiwei1994/labelme2dataset链接中的方法，将链接文件下载并解压到任意目录中，打开后有三个文件，进入到labelme2BisSeNet文件夹中，并且将步骤1得到的原图JSON文件放入一个文件夹中，如before，然后执行json_to_dataset.py文件代码，注意修改自己的路径； （此处需要labelme版本为3.16.*，版本过高需要卸载原来的重新安装）

     步骤3：执行完得到output文件夹，output文件夹下文件（可视化分割）中每个图片都有对应生成的文件夹，然后在labelme2BiSeNet目录下新建class_name.txt，里面包含了我们标记的所有类（包括背景）；

     步骤4：运行get_png.py，得到jpg_png文件夹。jpg文件夹是复制before中的jpg格式图像，png文件夹中的图像是24位的灰度图。因为BiSeNet需要8位的灰度图，我们还需要进一步处理；

     步骤5：运行get_dataset.py，得到dataset文件夹，gt_png是原图像（原来是jpg格式，转为png格式），label_png是标注图像（8位的灰度图）；

     步骤6：运行train_val.py，dataset中的gt_png和label_png分为train和val文件夹；

     步骤7：运行train_val_txt.py，得到train.txt和val.txt。

     *****数据预处理完成*****
     
   2.数据训练
     步骤1：源码修改——【./configs/bisenetv2_city.py，修改自己标注类别数量，修改数据集路径】，【./lib/cityscapes_cv2.py，更改自己数据表述类别】;

     步骤2：训练数据，单机单卡在终端输入：

            export CUDA_VISIBLE_DEVICES=0
            torchrun --nproc_per_node=1 tools/train_amp.py --config configs/bisenetv2_city.py

    3.使用训练好的模型进行语义分割
           tools文件夹中的demo.py，用于图片语义分割，该程序做如下修改即可运行：

              # args
                parse = argparse.ArgumentParser()
                parse.add_argument('--config', dest='config', type=str, default='configs/bisenetv2_city.py',)  #修改为自己的数据
                parse.add_argument('--weight-path', type=str, default='./res/model_final.pth',)                #训练后的模型
                parse.add_argument('--img-path', dest='img_path', type=str, default='./example.png',)
                args = parse.parse_args()
                cfg = set_cfg_from_file(args.config)

                palette = np.random.randint(0, 256, (256, 3), dtype=np.uint8)

                # define model
                net = model_factory[cfg.model_type](cfg.n_cats, aux_mode='eval')
                #此处调用 torch.load 时没有显式指定 weights_only 参数，因此使用默认值 False，触发了未来版本变更的警告。
                #net.load_state_dict(torch.load(args.weight_path, map_location='cpu'), strict=False)                    
                net.load_state_dict(torch.load(args.weight_path, map_location='cpu', weights_only=True), strict=False)   #修改

           修改完运行：

python tools/demo.py --config configs/bisenetv2_city.py --weight-path /path/to/your/weights.pth --img-path ./example.png

  （源数据和权重文件在demo.py中设置好就不用再设置了，只指定图片即可）

           处理视频使用demeo_video.py
    

python tools/demo_video.py --config configs/bisenetv2_coco.py --weight-path res/model_final.pth --input ./video.mp4 --output res.mp4