使用自己的数据集训练和测试DeepLab

最新推荐文章于 2024-08-04 02:35:58 发布
最新推荐文章于 2024-08-04 02:35:58 发布
阅读量1.9k 收藏 2
点赞数
分类专栏： python ubuntu Network 文章标签： DeepLab V2 使用自己的数据训练 单张图像测试 检测结果mask展示
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37973394/article/details/81489510
版权
本文详细介绍了如何使用DeepLab V2 Caffe源码，结合自定义数据集进行训练和测试。内容包括数据输入层的修改、run_pascal.sh文件调整、网络结构定制，以及单张图像的测试和效果展示。提供了具体的操作步骤和配置文件修改指南。
摘要由CSDN通过智能技术生成

首先申明以下我使用的DeepLab caffe源码是原作者给出的:

https://bitbucket.org/aquariusjay/deeplab-public-ver2/overview

使用的model是:

http://liangchiehchen.com/projects/DeepLabv2_vgg.html

训练测试自己数据集时,我并没有套用原来的数据结构(就是外围的所有东西都不变,只是将voc数据集中的数据替换),而是修改了数据输层来将自己的数据送入网络.

 

本文中还会涉及到怎样进行一次测试并显示测试效果(mask图)

下面将从训练,测试,单张测试并显示效果三个部分进行阐述:

一. 训练

训练中主要需要修改的有三个部分:数据输入相关,run_pascal.sh文件修改,网络结构修改

1.数据输入相关

我使用的数据输入层为我自己写的一个python类型的data层AerialImageDatasetLayer(其主要是参考FCN的数据读入层),这个层的作用是读取那些以文件夹为分类(而不是类似于poscal voc那样的将所有的images放一个文件夹,将所有的Segment放一个文件夹,然后通过train.txt,test.txt,val.txt这些txt文件夹来获取不同集合的数据),数据的存放形式如下:

dataset的根目录为dataset/BuildingDataset

训练样本images存放在: /dataset/BuildingDataset/train/images

训练样本GT存放在: /dataset/BuildingDataset/train/gt

测试样本images

最低0.47元/天 解锁文章
牛板筋
关注
专栏目录
SSD-Pytorch训练和测试自己的数据集（新手必看）
kaimingD的博客
03-24 4万+
目录 1.准备自己的数据集 2.pytorch环境安装即SSD-pytorch代码下载 3.正常的修改 修改1：config.py 修改2：VOC0712.py 修改3：train.py 修改4：eval.py 修改5：ssd.py 4.遇到的问题和相应的解决办法 问题1： ...
Deeplab v2
11-13
deeplab-v2 　基于ｖｇｇ训练自己的数据的ｐｒｏｔｏｔｘｔ　和ｃｉｔｙｓｃａｐｅｓ的ｐｒｏｔｏｔｘｔ
利用自己数据集来训练神经网络pytorch，重写Dataset类
互相学习的小博客
03-07 1549
利用自己数据集来训练神经网络pytorch，重写Dataset类
数据集划分方法
最新发布
ldk的博客
08-04 1201
数据集划分是机器学习和数据科学中的一个重要步骤，主要目的是为了确保模型的有效性和可靠性。将数据集划分为互斥的子集：训练集和测试集。训练集: 用于训练模型。测试集: 用于评估模型的性能和验证其准确性。将数据集分成多个子集，通常包括训练集、验证集和测试集。训练集: 用于训练模型。验证集: 用于调整模型的超参数和选择最佳模型。测试集: 用于最终评估模型的性能。留一（P）法是一种特殊的交叉验证方法，每次从数据集中取出一（P）个样本作为测试集，其余样本作为训练集。
pytorch训练自己的数据集
weixin_43310928的博客
05-25 3802
将图片放在每类的文件夹下面，接着放一个txt文件 使用img_data = torchvision.datasets.ImageFolder(image_path, transform)
SSD训练自己的数据集（Pytorch），超详细版！！！！
qq_50773198的博客
11-13 1万+
近期开始学习SSD算法啦，从拿到代码的茫然到最后可以跑通自己的代码（本人基础薄弱），已经非常非常开心喽~这篇文章主要介绍一下我的修改过程，以及我训练过程中遇到的问题，可以给大家避避坑，也方便我以后自己使用。那接下来就开始吧~另，在训练中参考的文章标明出处，如有侵权，请联系我删除：【数据集制作】VOC2007格式数据集制作和处理教程(Faster-RCNN模型标准输入)_AI小杨的博客-CSDN博客 SSD pytorch训练自己的数据集（windows+colab） | 码农家园SSD的pytorch实现训
用自己的数据集训练，测试deeplab_v2
Cheese的博客
05-23 4528
用自己的数据集训练Deeplab v2，包括跑通run_pascal.sh 和 run_densecrf.sh两个脚本 1. 下载编译deeplab_v2 make 部分不做详细介绍了，网上参考的内容也比较多，出错耐心改一下即可。 代码用的是 git clone https://github.com/xmojiao/deeplab_v2.git 之后的目录结构也按照down下来的，无需调整...
Deeplab V3+训练自己数据集全过程
热门推荐
jairana的博客
11-09 4万+
Deeplab V3+训练过程0. 参考链接1. 制作数据集1. 制作json文件。2. 批量转换 json--png3. 数据集目录制作4. 生成tfrecord2. 训练前代码准备1. 修改segmentation_dataset.py2. 修改train_utils.py3. 数据不平衡问题4. 修改train .py3. TRAIN1. train2. vis3. val4. 生成更方便观...
ckpt下载 deeplabv3_DeepLab 使用 Cityscapes 数据集训练模型
weixin_35649605的博客
12-30 650
0x00 操作环境OS: Ubuntu 16.04 LTS CPU: Intel® Core™ i7-4790K GPU: GeForce GTX 1080/PCIe/SSE2 Nvidia Driver Version: 384.130 RAM: 32 GBAnaconda: 4.6.11 CUDA: 9.0 cuDNN: 7.3.1 python: 3.6.8 tensorflow-gpu: ...
deeplab_v3 训练自己的数据集
缇珞的博客
07-22 2893
目录1 主要参考博客2 环境配置2.1 源码准备2.2 测试model_test.py3 制作自己的数据集3.1 python下labelme并制作json文件3.2 把json文件生成.png文件3.3 数据集目录3.4 生成tfrecord文件4 训练前代码准备4.1 修改segmentation_dataset.py4.2 修改Train_utils.py5 训练5.1 修改train.py...
pytorch 自己的数据集制作
weixin_38012008的博客
05-30 3312
https://blog.csdn.net/hszzjs/article/details/81005636
论文解读：DeepBDC小样本图像分类
weixin_50917576的博客
02-01 1733
由于每个新任务只给出很少的训练样例，所以few -shot分类是一个具有挑战性的问题。解决这一挑战的有效研究路线之一是专注于学习由查询图像和某些类别的少数支持图像之间的相似性度量驱动的深度表示。统计上，这相当于测量图像特征的依赖性，被视为高维嵌入空间中的随机向量。以往的方法要么只使用边际分布而不考虑联合分布，表示能力有限，要么利用联合分布计算量大。本文提出了一种基于深度布朗距离协方差(DeepBDC)的小样本分类方法。DeepBDC的核心思想是通过测量嵌入特征的联合特征函数与边缘积之间的差异来学习图像表示。
跨域小样本系列4：finetune方法解决CDFSL
学姐带你玩AI的博客
02-13 716
作者提出了一种新的方法来解决以前的不精确梯度匹配问题，该方法通过对目标样本的不精确梯度进行学习来显著减少不精确梯度匹配。值得注意的是，本文提出的梯度差异最小化是一种广义的学习损失，可以很容易地应用于其他UDA范式。
记录：win10下使用yolo3识别自己的数据集并检测
qq_45128278的博客
06-13 611
配置及安装： yolo3的下载地址：https://github.com/AlexeyAB/darknet https://github.com/qqwweee/keras-yolo3 解压缩后用pycharm打开。 权重：https://pjreddie.com/media/files/yolov3.weights 并将权重放在keras-yolo3的文件夹下。
CVPR 2022 Oral | 大连理工提出小样本识别DeepBDC，6项基准性能最好
Paper weekly
04-25 3368
©作者|谢江涛、龙飞等来源|机器之心在本文中，来自大连理工大学等机构的研究者提出了 DeepBDC 用于小样本分类任务，DeepBDC 通过度量样本对之间的联合分布从而获得更准确的相似度，极大的提升了小样本分类的性能。论文已被 CVPR 2022 接收为 Oral Presentation。本文首次将布朗距离协方差这一基于概率和统计的相似性度量引入到深度学习中，提...
DeepLabv3+图像语义分割实战：训练自己的数据集
07-10
DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法，可对物体进行像素级分割。 本课程将手把手地教大家使用labelme图像标注工具制作数据集，并使用DeepLabv3+训练自己的数据集，从而能开展自己的图像语义分割应用。 本课程有两个项目实践： (1) CamVid语义分割 ：对CamVid数据集进行语义分割 (2) RoadScene语义分割：对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割 本课程使用TensorFlow版本的DeepLabv3+，在Ubuntu系统上做项目演示。 包括：安装deeplab、数据集标注、数据集格式转换、修改程序文件、训练自己的数据集、测试训练出的网络模型以及性能评估。 本课程提供项目的数据集和Python程序文件。 下图是使用DeepLabv3+训练自己的数据集RoadScene进行图像语义分割的测试结果：
deeplab v3+训练自己的数据
ncloveqy的博客
09-01 1万+
deeplab v3+代码链接 使用Pascal_voc数据集训练的官方教程 1.环境配置 这里笔者主要是按照官方教程安装了需要的包，再有就是把slim依赖库添加到pythonpath，但是笔者没有这样做，直接运行程序，在报错的位置前面加上slim.就行了。 2.数据集准备 笔者是仿照voc数据集来准备的，voc数据集中格式如下图所示。 创建如上图所示的文件夹，将数据原图放入JPE...
win10下 deeplab v3++ 语义分割 训练自己数据集
09-04
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。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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