windows的keras框架，多种主干网络的deeplabV3语义分割模型

这个是本人的第一篇博文(虽然之前写过一篇，但是发现代码有问题，又删了。。)
首先要感谢Bubbliiiing博主的教学视频（B站上有）和博文，从他那里学到了很多东西，初步知道了如何使用keras框架，来改造各种网络模型为己所用。。。同时也要感谢博客园的刘建平老师，从他那里，我也学到了很多，让我初步迈入这个机器学习的行业。。
进入正题吧。这里，我将我的代码上传到了我的github上：https://github.com/lmw0320/deeplabv3-segmentation；大家可以随便下载。
说明下，本人也是小白，文章适用于刚入门的新手：

1. 使用本代码前，首先要确保训练图片已经用labelme做好手工标注，并生成正确的json文件。手工标注的方法很简单，事先用pip install labelme就可以安装好labelme，然后在cmd或anaconda prompt窗口（你pip命令在什么窗口，就用相同的窗口）下输入labelme命令，直接调用labelme来进行手工标注。相关博文很多，可以随便百度
2. 代码运行前，需打开train和predict的两个py文件，在代码顶部，将path更新成自身的顶层文件夹路径，方便模块导入。代码中已做好备注。
3. 本代码可以只需要修改配置文件basicSet.json中的内容，如设置各个类别名称、图片大小（请务必保持每张图片大小一致）、batch-size，图片路径，json文件路径、标签文件路径等。然后点击那个deeplabv3-train-R0.py文件，一键运行即可。–注意下，路径的设置必须是双斜杠或是单反斜杠。
   1） head_path代表该文件夹的顶层路径；
   2）classes为类别名称，第一个background不应更改，后续的类别名称，则根据自身情况修改；
   3） bone_name，代表主干网络模型，可选的有[“efficientnet_b0”, “mobilenetv2”, “resnet50”, “retinanet”, “shufflenetv2”]共5个。mobilenetv2和shufflenetv2属于轻量级模型，训练速度快，但是精度不如其他三个（也不会差很多），大家可以对比试下。
   4） init_with，代表模型训练从头开始训练，还是接着之前未完的训练。可选参数为：first，last。这样确保模型训练中断后，还可以继续之前的训练。
   5） area_per_pixel，是指每个像素值代表的面积大小，用于统计预测出来的类别物体的总面积。这个是我本身项目需求，如大家不需要的话，可以设置为0，或者忽略。
4. 该代码，可以自动将json文件转换成label文件（只要设置好标签文件路径，代码也会自动创建好该文件夹），省去了各种找代码转换的步骤（因为发现网上很多博文，各种误导），并自动进行数据增强（数据可以实现10倍的数据量增强，其中包括了图片的翻转，高斯噪音，高斯模糊等操作）。数据增强的步骤可能会有一定耗时，增强后的图片也会自动保存在原先的图片文件夹下。（PS: 如果原始图片文件名称带有下划线，则会将该下划线自动替换成短横杆，方便数据增强的处理）。另外，说明下，数据增强后，标签图片也会一起增强的，该标签图片文件夹下会自动生成一个mark.txt的文件，用于标记是否已经增强，防止代码多次运行后的数据重复增强，请不要误删。
5. 当然，如果json文件以及转换成标签文件（应确保转换的正确性，即转换后的图片应是png格式，像素值与类别号一致（像素值为1代表类别1，像素值为2则代表类别2）），也不影响使用，只要把标签图片放在自己设置的文件路径下，代码会自动判别是否存在该标签图片，如存在，则不会进行json文件转换。
6. 配置文件中，还可以自行设置使用的主干网络名称（名称见下图中的红框部分）—本来还做了mobilenetv3等更多选择，后面代码没有及时更新。。名称务必保持正确，便可自动调用相应的主干网络。
   
7. 如需要加载预训练模型，请设置好配置文件中的weights_path。同时打开代码，将其中的那句加载预训练模型代码取消注释即可（其实，如果要识别的物体与预训练模型的物体差距较大，加不加载这个文件，并不会对训练结果影响很大，也不会加速训练。。这个貌似何凯明大神之前验证过了的）
8. 如果训练或预测过程中，出现报错情况，则会在顶层文件夹下自动生成相应的error文件，方便后续查找。如问题解决后，该报错文件会自动被删除。
   这个是我在Bubbliiiing博主代码的基础上进行的更改，方便实际项目中的应用。当然，本人水平有限，可能还有不少不足之处，恳请各位大神多多指点！！大家如果在使用代码过程中，有什么问题，也欢迎留言，相互沟通，共同成长。