语义分割代码实现流程

语义分割的整体实现代码大致思路很简单，但是具体到细节，就有很多可说的东西。

之前写过一篇文章，可能有些地方现在又有了新的思路或者感受，或者说之前没有突出重点。

作为一个小白，这里把自己知道的知识写一下，事无巨细，希望看到的人能有所收获。

一、文件思路

总的来说，语义分割代码可以分为如下几个部分：

• data：图像数据
• data/train：训练集数据
• data/train/img：训练集原始图像img
• data/train/label：训练集原始图像label
• data/val：验证集数据
• data/val/img：验证集原始图像img
• data/val/label：验证集原始图像label
• dataset：将本地数据转化成pytorch对应的DataSet的文件
• model：网络模型
• utils：工具文件
• utils/args：参数类
• utils/utils：通用方法类
• train.py：训练网络代码

当然，这只是一种划分文件的思路，还有很多不错的思路，大家选择一种即可。

二、代码实现思路

代码实现思路其实就是对上面文件的诠释了。

1、图像数据

没有图像数据啥也做不了，所以我们首先要从数据说起。

针对数据来讲，有哪些需要注意的事项呢？

1. 图像数据是否过大
2. 图像数据是否需要增强预处理
3. 图像数据是否需要提前切分为测试集和验证集

1、图像数据过大

当图像数据过大时，很容易造成内存满的问题，导致我们训练失败。

方法：A、采用cv2.resize将图像缩小。B、将图像split为小图像。

2、图像提前预处理

图像提前预处理是为了让图像更好的去训练，如果原始图像存在过于模糊等问题，那么我们就需要做一些预处理操作。

方法：采用各种数据增强库，如：albumentations库，对图像亮度、对比度、锐度等进行增强。

3、图像数据是否提前切分为测试集和验证集

一般来说，我们在代码实现阶段可以将图像进行切分，当然，如果图像数据表示很明显简单，我们完全可以手动将数据分为测试集和验证集，这就免了在代码中实现对图像读取切分等操作了，自愿而为。

2、将本地图像数据集转化为pytorch的DataSet

本地图像数据执行完第一步之后，我们便来到了这一步。

为什么要将本地图像数据集转化为pytorch的DataSe