用deeplab 训练Pascal VOC2012数据集时需注意的一些问题

用deeplab 训练Pascal VOC2012数据集时需注意的一些问题

1 segmentation_dataset.py中类别数目的设置

num_class=自己的标签数目+2

比如我训练的时候只需要person这一类标签，那么我的num_class就是3，这三类分别为：person，background以及ignore_label

2 单通道mask中标签像素值设置

生成的mask必须为单通道(灰度图)，建议为png格式。

注意，在制作mask时，对所有object的灰度像素值有要求。

对于所有object包括background在内，在mask中要将灰度值标注为0~n,虽然产生的图片很难看出区别，但是这对训练是有效的。注意，不要把object的灰度值标注成10,20,100…(这样代码会直接将灰度值和class匹配，这在调整权重等操作会有麻烦～)

总的来说就是：“background”类中的像素值应为0，第一个类的像素值应为1，因为第二个类的像素值应为2，依此类推…不要将类保存为其他值，如100或 224，必须要按照从1到N的顺序保存标签

3 权重不平衡问题

如果你的问题是二分类或者和我的数据集类似，存在object之间imablance，这需要在train_utils.py中修改权重.

这里重点说我个人数据集，因为是3分类问题，ignore_label权重设为0，其中background占了非常大的比例，person类所占比例较小，故background和person权重分别设为1和10，假如是4分类问题，并且object2比object1要稍微少一点，那么最终的设置的权重比例为ignore_label权重设为0，background，object1，object2分别设为1，10，15（比例越大权重越小）