Deeplab V3+训练自己数据集全过程

0. 参考链接

TensorFlow实战:Chapter-9上(DeepLabv3+代码实现)主要参考1

TensorFlow实战:Chapter-9下(DeepLabv3+在自己的数据集训练)主要参考2

图像语义分割 — 利用Deeplab v3+训练自己的数据 loss震荡解决办法

图像语义分割 —利用Deeplab v3+训练VOC2012数据集用VOC训练

deeplabv3+Xception讲了一些概念

图像语义分割 Deeplab v3+报错[predictions out of bound]解决办法

图像语义分割 DeepLab v3+ 训练自己的数据集

Tensorflow - 语义分割 Deeplab API 之 Demo 主要是对demo的讲解,这个博主的其他博客也很好

Deeplab v3 (2): train.py、eval.py源码分析

图像语义分割 DEEPLAB V3+的代码走读

---------------------------感谢这些博主的无私奉献!------------------------------

1. 制作数据集

使用labelme制作。

1.1. 制作json文件。

labelme的打开:

cxx@cxx-211:~/labelmemaster$ python labelme/main.py

1.2. 批量转换 json–png

[关于labelme做数据集](下面所提到的三段代码在这个笔记里,注意更改)

  1. 调整label.png为灰度图

  2. 批量转换

     cxx@cxx-211:~/labelmemaster$ python labelme/cli/jso
  • 24
    点赞
  • 248
    收藏
    觉得还不错? 一键收藏
  • 121
    评论
在Win10系统下,使用DeepLab V3进行语义分割训练自己的数据集可以通过以下步骤实现: 1. 准备数据集:首先,需要进行数据集的准备工作。收集大量的图像数据,并为每张图像标注像素级别的语义标签。确保训练图像和标签数据是一一对应的。 2. 安装依赖环境:在Win10系统下,首先需要安装Python和TensorFlow等深度学习框架,并配置好相应的环境变量。确保能够成功导入相关的库和模块。 3. 下载DeepLab V3:从GitHub上下载DeepLab V3的源代码,并解压到本地目录。在命令行中切换到DeepLab V3的根目录。 4. 数据预处理:使用脚本文件对数据集进行预处理,将图像和标签数据转换成模型可接受的格式。这可以通过运行预处理脚本来完成。 5. 配置参数:在配置文件中设置相关的训练参数,如训练图像的路径、标签的路径、模型的参数等。可以根据实际需要进行调整。 6. 运行训练:在命令行中运行训练脚本,该脚本会调用DeepLab V3模型进行训练。根据配置文件中的设置,模型将使用训练数据进行迭代训练,以优化模型的性能。 7. 评估模型:训练完成后,可以运行评估脚本对训练得到的模型进行评估。该脚本将使用测试数据进行预测,并计算出预测结果的准确性。 8. 使用模型:训练完成后,可以使用已训练好的模型对新的图像进行语义分割。通过在命令行中运行预测脚本,将输入图像作为参数进行预测,即可得到相应的语义分割结果。 以上是在Win10系统下使用DeepLab V3进行语义分割训练自己的数据集的基本步骤。根据具体情况和需求,可能还需要进行一些额外的调整和改进。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 121
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值