FCN语义分割训练自己的数据（依据VOC2012数据集格式）

最新推荐文章于 2024-07-12 15:12:25 发布

而濡木染

最新推荐文章于 2024-07-12 15:12:25 发布

阅读量1.1w

点赞数 7

分类专栏： ----------机器学习----------- 深度学习文章标签： fcn VOC Segmentition loss json

本文链接：https://blog.csdn.net/pnan222/article/details/81354633

版权

本文介绍了如何使用FCN训练自己的数据集，参照VOC2012数据集的格式，包括数据制作流程、颜色填充、数据集整合以及训练过程。通过labelme软件进行标注，转换成所需格式，并分享了相关的代码片段。

摘要由CSDN通过智能技术生成

chapter 4 应用FCN训练自己的数据（以voc2012为模板）

step0.参考数据集需求

可用于FCN的完全VOC格式的数据组织结构模式：

训练集和验证集可以按照8-2的方式进行安排。

VOC2012数据集共包含21个类别，其中包括背景类，则共包含20类事物。

step1.制作自己的数据

应用一个简化的方法，并不把像素级的labels做成.mat的形式，反倒是借助于索引图的格式，直接在载入图片的时候把颜色值作为标签载入，并把制作好的索引图当成labels。

制作过程：

制作自己的FCN数据流程：

应用labelme软件（安装使用过程参见安装文档）对图像数据进行标注，标注完毕后会生成.json文件。
针对.json文件，在终端输入指令：labelme_json_to_dataset 路径/文件名.json 即可生成dataset文件夹。
为文件夹下的label.png（目前开起来是全黑色）进行分配颜色（若类别数没有超过21类，则该步骤不需要操作）。
应用python的skimage库进行颜色填充，得到24位的着色后的RGB三通道图像，重命名为2018_000001.png(label)。
//(已注释掉20190704)应用matlab将着色后的label（src/2018_000001.png）图像转为8位灰度图像，即可用label(dst/2018_000001.png)。
(订正第5条20190704)应用matlab将着色后的label（src/2018_000001.png）RGB三通道图像转为8位彩色索引图像，即可用label(dst/2018_000001.png)。

a.jpg ---> a.json ---> a_json(dataset文件夹，其中包括：img.png(原图), label.png(标签图), label_viz.png(标签可视化后的图像), label_names.txt, info.yaml) ---> src/2018_000001.png(24) ---> dst/2018_000001.png(8)

小工具：制作mask语义级标签的工具labelme，开源代码链接为：https://github.com/wkentaro/labelme

（关于标注标签的拓展，https://blog.csdn.net/chaipp0607/article/details/79036312另附一个bounding box的工具，开源代码链接为：https://github.com/tzutalin/labelImg）

由于标注工作需要专家来进行标注，所以label最好是在window上能进行安装，并给非计算机领域的专家来使用，具体安装和使用说明可以参考如下代码，如需详细安装过程，可在下方留言或者私信。

conda create --name=labelme python=3.6
conda activate labelme
pip install pyqt5
conda install pillow=4.0.0
pip install labelme

首先，颜色填充代码如下，colorlabel.py文件可以在此处下载：https://github.com/hitzoro/FCN-ColorLabel

import colorlabel
import PIL.Image
import os
import numpy as np
from skimage import io,data,color

rootdir = 'D:/temppic/piczhongyaohuichuan/005zzy/'
dstpath = 'D:/temppic/piczhongyaohuichuan/005zzy/label24'
list = os.listdir(rootdir)
count = 114
for i in range(0,len(list)):
    path = os.path.join(rootdir,list[i])
    if(os.path.isdir(path) and 'json' in path):
        img = PIL.Image.open(