DeeplabV3+ 训练自己的数据集。pytorch

一. 代码目录

• dataloaders 存放数据集读取代码
• datasets 存放训练数据
• modeling 存放DeeplabV3+模型文件
• run_lab 保存每次训练的结果参数
• test_result 输出测试结果图
• utils 存放一些工具函数
• train_model.py 为训练主函数
• inference.py 为测试函数

二. 数据集构建

• 本实验以landsat8遥感影像海岛对象分割为例。在原始图像(a)的基础上，使用labelme，ps等工具，对海岛区域进行标注。标注结果如下图(b)所示：

• 使用代码将标注的海岛区域像素质设置为1，背景区域像素质设置为0，保存为png格式的单通道图像，构建得到label数据，如下图©所示：
  

• 将训练数据集放入train文件夹中，对应的label数据集放入labels文件夹。执行make_train_val_txt_file.py文件，随机选取80%数据作为训练数据，生成train.txt文件；20%数据作为验证数据，生成val.txt文件。
  

三. 网络训练

• 在 train_model.py 文件中的对网络训练的部分超参数进行配置

parser.add_argument('--network', type=str, default='Deeplab_resnet101',
                        choices=['Deeplab_resnet101', 'Deeplab_xception', 'Deeplab_drn', 
                                 'Deeplab_mobilenet', 'Deeplab_resnet50'],
                        help='选择用于特征提取的主干网络类型')
parser.add_argument('--loss-type', type=str, default='ce',
                        choices=['ce', 'focal'],
                        help='选择损失函数类型，ce为Cross-Entropy交叉熵损失函数。focal_loss用于类别不均衡数据集。')
parser.add_argument('--nclass', type=int, default=2, metavar='N',
                        help='定义网络是几分类模型，默认为2分类')
parser.add_argument('--epochs', type=int, default=200, metavar='N',
                        help='定义网络训练epochs次数，默认为200次')
arser.add_argument('--batch-size', type=int, default=5,
                        metavar='N', help='定义训练阶段batch-size大小')
parser.add_argument('--lr', type=float, default=0.007, metavar='LR',
                        help='定义学习率大小默认为0.007')
parser.add_argument('--lr-scheduler', type=str, default='poly',
                        choices=['poly', 'step', 'cos'],
                        help='定义学习率优化策略。默认选择为：poly优化策略')

• 本实验将图像分割为海岛区域和背景区域，–nclass默认为2分类
• 选择poly学习率优化策略（–lr-scheduler），学习率大小随着训练epoch次数的增加根据如下公式进行变化：
  
• 其余超参数设置见代码所示
• 训练过程如下图所示：
  
  learning-rate为当前epoch学习率大小。previous-best为该training中最高mIoU得分，默认保存最高mIoU得分epoch的网络权重参数。每个Validation显示当前epoch的验证集Acc、Acc_class、mIoU、fwIoU得分。
• 训练结果保存在run_lab目录下：
  
  根据超参数–network中的主干网络设置，生成相应的目录文件（Deeplab_resnet101），代码每次training生成对应的experiment_x目录文件，Deeplab_resnet101_model_best.pth为所有experiment中最高mIoU得分的网络权重参数。以第10次训练的experiment_10为例，experiment_10目录中包含：

1. best_pred：验证集最高mIoU得分。
2. checkpoint.pth：最后一个epoch的网络权重参数
3. events.out.tfevents.xx：tensorboard可视化文件
4. parameters：当前网络超参数设置

• tensorboard可视化结果：
  
  

四. 结果测试

• 将测试图片放入test_result/test目录下，执行inference.py文件，分割结果将会保存在test_result/test_output目录中
  
• landsat8遥感影像海岛分割结果如图所示。（A）为海岛原图,（B）为Deeplab网络分割结果,（C）为单独使用条件随机场的优化结果：