【代码】deeplabv3+ model train 模型 训练 代码 全网最详细解析

最新推荐文章于 2024-05-22 15:03:49 发布
最新推荐文章于 2024-05-22 15:03:49 发布
阅读量3.2k 收藏 19
点赞数 2
分类专栏： deeplabv3+
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/u013249853/article/details/100698255
版权

目前你已经看完了，会改数据输入部分的代码了。

那么模型代码还需要看。

目录

train.py包含了方法：

调用关系：

model.py包含的方法：

model.py被调用,（）表示跨py文件调用

数据的传递：

首先在train.py中：

于是我们看下主角 model.py

multi_scale_logit:

_get_logit调用了三个方法

refine_by_decoder

get_branch_logits

train_utils

train.py包含了方法：

_build_deeplab
_tower_loss
_average_gradients
_log_summaries
_train_deeplab_model
main

调用关系：

train.py :main->_train_deeplab_model->tower_loss->_build_deeplab

train.py:_train_deeplab_model->_average_gradient

train.py:_build_deeplab->_log_summaries

model.py包含的方法：

get_extra_layer_scopes
predict_labels_multi_scale
predict_labels
multi_scale_logits
extract_features
_get_logits
refine_by_decoder
get_branch_logits

model.py被调用,（）表示跨py文件调用

1.(train.py _build_deeplab)->(model.py multi_scale_logits):

model.py: multi_scale_logit->_get_logits->extract_features+refine_by_decoder+get_branch_logit

 

2.(train.py _train_deeplab_model)->(model.py get_extra_layer_scopes)

 

3.(train.py main)->(model.py get_extra_layer_scopes)

 

数据的传递：

首先在train.py中：

main函数生成了dataset实例：

      dataset = data_generator.Dataset(
          dataset_name=FLAGS.dataset,
          split_name=FLAGS.train_split,
          dataset_dir=FLAGS.dataset_dir,
          batch_size=clone_batch_size,
          crop_size=[int(sz) for sz in FLAGS.train_crop_size],
          min_resize_value=FLAGS.min_resize_value,
          max_resize_value=FLAGS.max_resize_value,
          resize_factor=FLAGS.resize_factor,
          min_scale_factor=FLAGS.min_scale_factor,
          max_scale_factor=FLAGS.max_scale_factor,
          scale_factor_step_size=FLAGS.scale_facto
最低0.47元/天 解锁文章
TinaO-O
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
语义分割基础篇 — DeepLabV3+（一）
qq_42782701的博客
03-18 2039
Deeplab系列也是分割领域的经典算法，Deeplabv3+则是这个系列的最新算法，充分融合了前面几个版本的优点，很适合大家上手。本文会详细介绍如何使用DeepLabv3+训练自己的数据集，很适合初学者快速完成任务。
DeepLabV3使用及源码讲解
@bangbang的博客
02-06 5561
博文介绍的DeepLabV3 代码主要来自于pytorch官方torchvision模块中的。
【PyTorch 实战4：DeepLabv3+图像分割模型】10min揭秘 DeepLabv3+ 分割网络架构、工作原理以及pytorch代码实现（附代码实现！）
xiaoh_7的博客
05-03 1915
本文将详细介绍DeepLabv3+这一图像分割模型的基本原理、关键公式，并给出了PyTorch的实现代码
深度学习500问——Chapter09：图像分割（3）
最新发布
不要给自己设限，尝试更多可能（思所向 皆可往）
05-22 919
其实就是U-Net 和FPN的思想，在输入图像和前四个最大池化层的输出上附加了两层的MLP，第一层是 128 个 3x3的卷积，第二层是 128个 1x1 卷积。论文受到Spatial Pyramid Pooling（SPP）的启发，提出了一个类似的结构，在给定的输入上以不同采样率的空洞卷积进行采样，相当于以多个比例捕捉图像的上下文，称为ASPP（atrous spatial pyramid pooling）模块。简单的说就是这种结构能在更少参数更少计算量的情况下学到同样的信息。C就是本文采取的方法。
DeepLabv3+训练代码详解
m0_37799466的博客
06-04 3368
代码地址 训练代码train.py from __future__ import absolute_import from __future__ import division from __future__ import print_function import six import tensorflow as tf #import tensorflow.compat.v1 as tf from tensorflow.contrib import quantize as contrib_quantize
deeplabv3+ 论文相关参数 代码解析 Flip MS SC random crop
乱七八糟的笔记
09-20 1322
目录 1.Flip 2. multi_scale input eval 3.SC 在aspp与deconv采用seperate conv multi_scale 的参数传递是： 另外，如果batch size改变的话， 1.Flip input_preprocess.py _PROB_OF_FLIP = 0.5 该参数控制flip，如果为1，那么进入的图像一定会被flip...
【语义分割实战（2）】DeepLabV3+语义分割：训练自己的数据集
m0_51579041的博客
03-30 1300
【语义分割实战（2）】DeepLabV3+语义分割：训练自己的数据集
DeepLab v3+原理和实现
m0_51436734的博客
04-10 7044
这节课讲DeepLabv3+模型，及前身DeepLabv3模型，两篇论文来自Google的同一个团队。 参考资料 DeepLabv3+，被引1000+ DeepLabv3，被引1000+ Pytorch DeepLabv3+实现，Star 1.5k 我们讲1.模型原理2.代码实现 from PIL import Image from IPython import display import torch.nn as nn import torch 第一部分，模型原理 背景知识 整体架构 背景知识 图像.
DeepLabV3Plus-Pytorch:DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重
05-13
DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_...
matlab精度检验代码-pretrained-deeplabv3plus:MATLAB中的DeepLabv3+推理和语义分割训练
05-22
matlab精度检验代码预训练的DeepLabv3 +网络用于语义分割 该存储库为MATLAB:registered:提供了预训练的DeepLabv3 + [1]语义细分模型。 要求 MATLAB:registered:R2020a或更高版本。 深度学习工具箱:trade_mark:。 ...
基于TensorFlow2.2的 deeplabv3+ 源码。按readme操作即可跑通，十分方便。
04-02
- `model.py`: Deeplabv3+ 模型的定义代码。 - `train.py`: 训练脚本，包括数据加载、模型构建、训练参数设置等。 - `eval.py`: 评估脚本，用于验证模型性能。 - `dataset/`: 包含数据集处理和预处理的代码。 - `...
CamVid_TFrecord 用于DeepLabv3+测试
07-07
用于blog中实现DeepLabv3+在自己数据集上训练，可直接加载该文件。用于blog中实现DeepLabv3+在自己数据集上训练，可直接加载该文件。
model_DeepLabv3+图像分割.zip
02-12
在实际应用中，DeepLabv3+模型广泛应用于医疗影像分析（如肿瘤检测）、自动驾驶（道路和车辆识别）、遥感图像解析等领域。它的高精度和鲁棒性使其成为解决复杂图像分割问题的理想选择。同时，得益于百度飞桨的易用性...
解析DeepLabv3+的网络结构及代码【Pytorch版】
热门推荐
AI数据工厂
01-16 3万+
主要结合DeepLabv3+的网络结构和开源代码进行了对照解析。通过对网络结构中的每一块的作用及其代码实现中的细节进行了解，就能够对该网络模型有一个宏观和微观上的把握。
deeplabv3+ 代码解析 去除decoder 部分
乱七八糟的笔记
09-16 1393
只需要训练时不提供参数“ --decoder_output_stride=4 \ ” 就可以直接去掉decode部分，那么取而代之的就是下面要讨论的。 可以看出来，直接将16倍的特征图上采样到了原始图片大小。并且使用的是21通道的小特征图。 从代码来看： def _get_logits(images, model_options, ...
DeepLab v3
我的博客
05-12 1887
在本工作中，我们重新审视了空洞卷积这一强大的工具，它可以明确调整过滤器的视野，以及通过深度卷积神经网络计算特征响应的分辨率。我们设计了模块来处理多尺度分割对象的问题，这些模块采用多个空洞率级联或并行地使用空洞卷积来捕获多尺度上下文。此外，我们建议利用全局上下文编码图像级特征来进一步提高我们之前提出的" Atrous Spatial Pyramid Pooling" 模块对多尺度卷积特征的探究，并进一步提高性能。我们还详细说明了实现细节，并分享了我们在训练系统方面的经验。所提出的 “DeepLabv3” 系统
机器学习笔记 - 神经网络的类型简介
学以致用 知行合一
12-09 869
卷积神经网络 (CNN) 可用于逐步提取越来越高级别的图像内容表示结果，这一发现标志着图像分类模型的构建取得了重大突破。CNN 不会通过预处理数据得出纹理和形状等特征，而是仅将图像的原始像素数据用作输入，然后“学习”如何提取这些特征，最终推断出这些特征构成的对象。
DeepLabV3+学习笔记
qq_44695454的博客
10-04 1381
虽然看完了整个DeepLab系列，但还是一知半解的。对空洞卷积，CRF条件随机场，多级联合，ASPP，编码解码结构都是模模糊糊的。对于代码的了解也是这样，只知道大概，对里面的具体编码过程还是存在很多的疑惑，有很多的地方不清楚为什么要这么编码，今天尝试自己复现V3+的代码，但是训练结果却很差，不知道是自己复现的有问题还是没有使用预训练参数自己从头训练导致权重震荡的问题。然后还有就是对里面的一些指标也是知之甚少，啊，越来越不懂了。
基于Pytorch实现的图像分割算法: DeepLabV3+
05-31 2万+
图像分割可以算是图像处理领域最重要的几个问题之一了。随着自动驾驶，广告推荐，手机照片处理，知识图谱等智能应用的快速普及，基于语义分析的图像分割、理解与识别变得越来越重要。近年来比较热的视觉领域工作，很大比重是围绕如何使用大规模数据，结合结构优良的深度网络模型，实现图像分割计算。今天，我们就来学习一项该领域的著名工作(DeepLabV3+)。
DeepLabv3+模型 如何训练camvid 数据集
05-18
DeepLabv3+是一种语义分割模型，可以用于对图像进行像素级别的分类。在训练DeepLabv3+模型时，需要准备适当的数据集。在这里，我们将介绍如何使用CamVid数据集训练DeepLabv3+模型。 CamVid是一个用于语义分割的数据集，包含数百个标注图像和相应的标注。CamVid数据集可以从以下网址下载： http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/ 在下载并解压缩数据集后，可以使用以下步骤来训练DeepLabv3+模型： 1. 准备数据集 首先，需要将CamVid数据集划分为训练集、验证集和测试集。可以使用以下命令来创建这些文件列表： ``` $ cd /path/to/CamVid $ mkdir lists $ find ./train -name "*.png" | sed 's/\.png$/\.jpg/g' > lists/train.txt $ find ./val -name "*.png" | sed 's/\.png$/\.jpg/g' > lists/val.txt $ find ./test -name "*.png" | sed 's/\.png$/\.jpg/g' > lists/test.txt ``` 然后，需要创建一个标签文件，该文件将每个类别映射到一个数字。可以使用以下命令来创建标签文件： ``` $ cd /path/to/CamVid $ mkdir labels $ echo "0 0 0 0" > labels/void.txt $ echo "128 0 0 1" > labels/sky.txt $ echo "128 128 128 2" > labels/building.txt $ echo "128 64 128 3" > labels/wall.txt $ echo "0 0 192 4" > labels/fence.txt $ echo "128 128 0 5" > labels/pole.txt $ echo "192 192 128 6" > labels/traffic_light.txt $ echo "64 64 128 7" > labels/traffic_sign.txt $ echo "64 0 128 8" > labels/vegetation.txt $ echo "192 128 128 9" > labels/terrain.txt $ echo "64 64 0 10" > labels/ground.txt $ echo "0 128 192 11" > labels/road.txt $ echo "192 192 0 12" > labels/sidewalk.txt $ echo "0 0 0 13" > labels/pedestrian.txt $ echo "64 192 0 14" > labels/rider.txt $ echo "192 128 0 15" > labels/car.txt $ echo "64 64 128 16" > labels/truck.txt $ echo "128 64 64 17" > labels/bus.txt $ echo "64 0 192 18" > labels/train.txt $ echo "192 0 64 19" > labels/motorcycle.txt $ echo "128 128 64 20" > labels/bicycle.txt ``` 在这个标签文件中，每一行代表一个类别，前三个数字分别表示RGB颜色值，最后一个数字表示类别标识符。 2. 安装依赖项 接下来，需要安装DeepLabv3+的依赖项。可以使用以下命令来安装这些依赖项： ``` $ pip install tensorflow-gpu==2.0.0 pillow matplotlib ``` 3. 创建模型 然后，需要创建DeepLabv3+模型。可以使用以下命令来创建模型： ``` $ python deeplab.py --backbone resnet --output-stride 16 ``` 在这个命令中，`--backbone`参数指定使用的ResNet模型的版本，`--output-stride`参数指定输出步长。 4. 训练模型 接下来，可以使用CamVid数据集来训练DeepLabv3+模型。可以使用以下命令来启动训练： ``` $ python train.py \ --model_dir /path/to/model \ --backbone resnet \ --output_stride 16 \ --train_list /path/to/CamVid/lists/train.txt \ --val_list /path/to/CamVid/lists/val.txt \ --label_dir /path/to/CamVid/labels \ --batch_size 8 \ --learning_rate 0.007 \ --num_epochs 30 \ --augmentations 'flip,hue_saturation,resize' ``` 在这个命令中，`--model_dir`参数指定要保存训练模型的目录，`--train_list`参数指定训练数据集的文件列表，`--val_list`参数指定验证数据集的文件列表，`--label_dir`参数指定标签文件所在的目录，`--batch_size`参数指定训练批次大小，`--learning_rate`参数指定学习率，`--num_epochs`参数指定训练轮数，`--augmentations`参数指定数据增强方式。 5. 测试模型 最后，可以使用测试集来测试训练好的DeepLabv3+模型。可以使用以下命令来启动测试： ``` $ python test.py \ --model_dir /path/to/model \ --backbone resnet \ --output_stride 16 \ --test_list /path/to/CamVid/lists/test.txt \ --label_dir /path/to/CamVid/labels \ --result_dir /path/to/result ``` 在这个命令中，`--test_list`参数指定测试数据集的文件列表，`--result_dir`参数指定测试结果的保存目录。 通过以上步骤，就可以在CamVid数据集上训练和测试DeepLabv3+模型了。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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