deeplabv3+街景图片语义分割，无需训练模型，看不懂也没有影响，直接使用。cityscapes

最近做街景语义分割相关的工作，因为没有gpu训练模型，且训练的模型往往miou很低，还不如直接找训练好的模型，所以在github找到了一个模型，具有cityscapes数据集预训练权重，不需要训练模型，不需要看懂模型，一行代码直接出语义分割之后的结果。

语义分割之后，用pyhton统计各个类别所占像素个数，用于后续定量指标的计算。

github链接

https://github.com/VainF/DeepLabV3Plus-Pytorch

链接失效，直接github搜索：VainF/DeepLabV3Plus-Pytorch

下载代码，下载预训练好的权重

 选择哪一个都行，随便下载一个，以DeepLabV3Plus-ResNet101为例

下载后的文件后缀的‘.tar’直接删除，然后将文件放到，没有checkpoints文件夹就自己建一个。

无需训练，命令行直接预测。

单张图片：
python predict.py --input datasets/data/cityscapes/leftImg8bit/train/bremen/bremen_000000_000019_leftImg8bit.png  --dataset cityscapes --model deeplabv3plus_mobilenet --ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth --save_val_results_to test_results

文件夹：
python predict.py --input datasets/data/cityscapes/leftImg8bit/train/bremen  --dataset cityscapes --model deeplabv3plus_mobilenet --ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth --save_val_results_to test_results

直接将所有图片进行语义分割，随后将四个图片的像素求平均即可。 

建议直接用四个方向的图预测。

如果是全景图的话，建议用ptgui pro拆分成上下前后左右六个方向，保留前后左右四个方向，是否保留上方向，自己考虑。根据我的结果是不建议，全是天空没有意义且模型分错严重。

能下载到四个方向的单张图片，就不建议下载全景图。 

全景图还是四个方向，见仁见智，论文中都有，只不过更多的是四个方向。有什么，用什么。

以文件夹为例：

python predict.py --input D:\000datasets\XXXX\images360  --dataset cityscapes --model deeplabv3plus_resnet101 --ckpt checkpoints/best_deeplabv3plus_resnet101_cityscapes_os16.pth --save_val_results_to  D:\000datasets\XXXX\images360分割结果

如果下载的模型是：

--model deeplabv3plus_mobilenet

--ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth

--model deeplabv3plus_resnet101

--ckpt checkpoints/best_deeplabv3plus_resnet101_cityscapes_os16.pth

出现其他运行的错误，包括但不限于 numpy之类的，百度搜索一下就可以解决。

语义分割之后，统计各类像素数量的代码：

示例图。 

常规提取代码：运行速度比较慢，大概2张/1s。

改进提取代码：（图片多用得到，图片少就普通代码就行了）。能达到60张/s（取决于cpu），并且文件保存时间几乎为0。

需要代码私信或直接发邮箱437969428@qq.com（语义分割结果提取像素的代码，不是模型提升精度的代码），10以内。建议发邮箱，能直接看到，私信回复不及时。