DeepLabV3+--训练自己的数据集

To-

已于 2023-07-10 21:12:11 修改

阅读量1k

点赞数

文章标签： python cnn deeplabv3+

于 2023-07-04 17:11:59 首次发布

本文链接：https://blog.csdn.net/dong_qian/article/details/131513148

版权

训练集-测试集-验证集

(23条消息) 训练集，验证集，测试集分别是什么_训练集验证集测试集_又决定放弃的博客-CSDN博客

(23条消息) 【深度学习】训练集、测试集和验证集_训练集测试集验证集_莫克_Cheney的博客-CSDN博客

训练集（Training Set）：用于训练模型。

验证集（Validation Set）：用于调整和选择模型--调整模型参数

测试集（Test Set）：用于评估最终的模型。

卷积-下采样-上采样

(25条消息) 卷积和池化的区别、图像的上采样（upsampling）与下采样（subsampled）_5行5列的原图像怎么子采样池化_liulina603的博客-CSDN博客

锚框-先验框概念及其生成

(25条消息) 锚框(anchor box)/先验框(prior bounding box)概念介绍及其生成_是苍啊！的博客-CSDN博客

(24条消息) 目标检测中的先验框（Anchor）_热血厨师长的博客-CSDN博客

对图像的像素框进行遍历，数据量太大，先进行下采样处理，降低图像的分辨率，得到图像的特征图，对特征图上的每个特征点取三个先验框，通过对先验框中心位置的偏移以及其宽高的变化得到预测框，与目标框对比，通过设定Iou阈值选出预测框，针对一个目标框，我们生成很多预测框并选取了一个IOU最大的预测框。通过分类头对这个先验框的类别做出预测，通过回归头归一化处理对先验框的位置和大小进行修改。

YOLOV7代码中的一些参数

(23条消息) YOLOV7开源代码讲解--训练参数解释_yolov7代码_爱吃肉的鹏的博客-CSDN博客

batch_size

(23条消息) 机器学习中的batch_size是什么？_batch size_勤奋的大熊猫的博客-CSDN博客

(23条消息) Batch Size的理解_Altoria.的博客-CSDN博客

例：训练集有1000个样本，batch_size=10，那么训练完整个样本集需要：

100次iteration，1次epoch。

batch_size（批大小）即为一次传递给程序用以训练的样本个数

epoch表示训练了多少轮---1个epoch表示将所有的样本训练一轮

iteration表示训练多少batch_size批次的样本--1个iteration等于使用batchsize个样本训练一次；

基于Pytorch搭建DeepLabv3+语义检测平台实验步骤：

(53条消息) 憨批的语义分割重制版9——Pytorch 搭建自己的DeeplabV3+语义分割平台_Bubbliiiing的博客-CSDN博客

参考：

源码下载GIthub地址：GitHub - bubbliiiing/deeplabv3-plus-pytorch: 这是一个deeplabv3-plus-pytorch的源码，可以用于训练自己的模型。

博客详解地址：(48条消息) 憨批的语义分割重制版9——Pytorch 搭建自己的DeeplabV3+语义分割平台_Bubbliiiing的博客-CSDN博客

视频详解地址：

【Pytorch 搭建自己的DeeplabV3+语义分割平台（Bubbliiiing 深度学习教程）】

搭环境--连接服务器
1. 使用WinSCP在服务器与电脑之间进行文件的进行文件的上传和下载
2. 使用电脑系统自带的--远程桌面连接--与服务器连接
搭环境--pycharm安装
1. 使用服务器上的pycharm
搭环境--deeplabv3+项目下载
1. 在github上下载deeplabv3+项目
2. 在服务器上搭建所需的环境【Pytorch 搭建自己的DeeplabV3+语义分割平台（Bubbliiiing 深度学习教程）】
语义分割数据集的制作过程：
1. 在根目录下的datasets下的before文件夹下存放jpg原图和json标签文件
2. 使用labelme对before文件中的图片进行标注，生成对应的json文件
3. 修改json_to_dataset.py中的参数classes的值为标签中的类别，第一个为背景_background_，并运行根目录下的json_to_dataset.py，将before文件夹下的jpg文件根据json标签文件转化为png文件格式
4. 程序将输出的png格式的标签文件保存至datasets/SegmentatinClass中，将rgb原图保存至datasets/JPEGImages中
数据集的处理
1. 设置参数annotation_mode = 0，生成ImageSets里面的txt文件，对数据集分类：训练集train.txt，测试集test.txt，验证集val.txt
2. 设置参数num_classes 存放数据标注类型的类别
网络训练
1. 在train.py中修改 model_path = 'model_data/deeplab_xception.pth' 表示模型的预训练权重，模型的预训练权重对不同数据集是通用的，因为特征是通用的。在训练的时候使用预训练权重文件，不使用的话主干部分的权值太过随机，特征提取效果不明显，网络训练的结果也不会好。按照个人需求以及服务器硬件配置修改相应的参数，然后运行train.py。完成训练后，在根目录下的logs文件夹中生成训练好的权值文件，包含过程中产生的权重文件，以及最后last和最好best的权重文件。
训练结果预测
1. 修改deeplab.py中的相关参数： model_path参数指向上述logs文件夹下的权值文件，name_classes参数指标签图片中的类别，dir_origin_path指向待预测的原始图片地址，dir_save_path指向预测所输出的图片存放地址。运行predict.py文件进行预测，并将预测图片保存到指定位置dir_save_path，随后便可以查看预测结果。