图像语义分割——利用DeeplabV3+预测单张照片

最新推荐文章于 2025-09-04 11:20:44 发布

原创

最新推荐文章于 2025-09-04 11:20:44 发布 · 9.3k 阅读

41 ·

CC 4.0 BY-SA版权

文章标签：

#DeeplapV3 #Semantic Segmentation #Python

本文介绍了如何使用DeeplabV3+模型进行图像语义分割，包括生成.pb文件、预测单张图片的步骤，并强调了TF版本选择与内存管理的重要性。

当训练好DeeplabV3+模型后，生成了.ckpt文件，下一步希望利用模型进行真实的场景预测，通用的做法生成.pb文件。这样做的好处是：1. 将变量转换为常量，减小模型，2. 便于其他语言调用（.pb文件可直接被C/C++/Java/NodeJS等读取）。

运行 export_model.py 生成模型

利用官方代码文件export_model.py生成 frozen_inference_graph.pb 文件，利用该文件进行预测。这里需要注意的是：必须知道模型的input和output，这可以通过查看代码获得。

python export_model.py \
  --checkpoint_path="./checkpoint_1/model.ckpt-518495" \  # 训练得到的ckpt文件
  --export_path="./output_model/frozen_inference_graph.pb" \  # 需要导出的模型名称
  --model_variant="xception_65" \
  --atrous_rates=6 \
  --atrous_rates=12 \
  --atrous_rates=18 \
  --output_stride=16 \
  --decoder_output_stride=4 \
  --num_classes=3 \
  --crop_size=1440 \  # 需要预测图片的大小，如果预测的图像大小比该值大，将报错
  --crop_size=1440 \
  --inference_scales=1.0

源码清楚显示：input_name是'ImageTensor'，shape是[1, None, None, 3]，数据类型是tf.uint8，你也可以在此处更改数据类型，output_name是 'SemanticPredic