运行DeepLabv3+

用于语义图像分割的带空洞可分离卷积的编解码器 论文 源码 讲解

---

下面第一个是原作者提供的代码，基于tf.contrib.slim。第二个代码是网友实现的，基于tf.estimator。tf.estimator是比tf.contrib.slim更高级的API，能同时训练和验证模型。[更多]

---

Tensorflow/model下面的源码 

1. 安装tensoeflow-gpu==1.9.0(python2.7)，较低版本tf会出现这样的错误：

   AttributeError: module 'tensorflow.python.platform.flags' has no attribute 'DEFINE_multi_float'

    

2. 安装pillow。
3. 下载源码models-master。
4. 找到models-master/research/deeplab。
5. 把models-master/research/slim拷贝到deeplab文件夹。
6. 把models-master/research/slim/nets拷贝到deeplab文件夹。
7. 测试环境：

   添加环境变量：
   export PYTHONPATH=$PYTHONPATH:/home/
   
   在deeplab的外层文件夹:
   python deeplab/model_test.py
   
   在deeplab文件夹:
   创建文件夹deeplab/datasets/pascal_voc_seg，在该文件夹下载PASCAL VOC 2012数据集，并产生4个文件夹。然后执行训练、验证、可视化
   sh local_test.sh

    

8. 说明：执行sh local_test.sh生成的数据与项目路径有关，所以项目路径更改后要删除文件夹deeplab/datasets/pascal_voc_seg，并重新生成。
9. 在PASCAL VOC 2012数据集上运行。

---

rishizek提供的源码 

1. 下载源码，命名为DeepLabv3p。
2. 下载PASCAL VOC training/validation data和augmented segmentation data。数据组织方式：

   DeepLabv3p
   -dataset
   --VOCdevkit
   ---VOC2012
   ----Annotations
   ----ImageSets
   ----JPEGImages
   ----SegmentationClass
   ----SegmentationClassAug(来自增广数据集，注意里面只有图片没有文件夹)
   ----SegmentationObject

    

3. 生成TFRecord数据：

   python create_pascal_tf_record.py \
   --data_dir dataset/VOCdevkit/VOC2012/ \
   --image_data_dir JPEGImages \
   --label_data_dir SegmentationClassAug
   
   这会生成dataset/voc_train.record和dataset/voc_val.record。

    

4. 下载pre-trained Resnet v2 101模型，这样存放：

   output
   -init
   --eval.graph#没用
   --resnet_v2_101.ckpt
   --train.graph#没用

    

5. 训练：

   python train.py \
   --batch_size=4 \(默认是10)
   --model_dir output/model \
   --pre_trained_model output/init/resnet_v2_101.ckpt
   
   会创建文件夹：output/eval

    

6. 可视化：tensorboard --logdir output
7. 测试任意张图片：使用自己训练的模型或下载作者提供的模型：

   python inference.py \
   --data_dir output \#测试图片的路径
   --infer_data_list output/sample_images_list.txt \#测试图片的路径列表(data_dir后的XXX/XXX.jpg)
   --model_dir output/model#模型文件

    

8. 相关源码解读。

---