Tensoflow-代码实战篇--Deeplab-V3+--代码复现（二）

在上篇博文中，我详细的介绍了如何在数据集Cityscapes复现Deeplab（v3+），这篇文章主要介绍一下对数据集VOC2012的验证。

一、参考资料：

1、官方代码：githup
2、大神博客：https://blog.csdn.net/qq_32799915/article/details/80070711

二、准备工作：

环境：

关于如何配置tensorflow环境以及路径的导入请见上文：https://blog.csdn.net/qq_38437505/article/details/82952024

数据集准备：

1、下载数据集：

自己先下好voc2012的数据集，解压放在本地。
我的本地数据存在目录如下：

图中：除了SegmentationClassRaw和tfrecord之外的几个文件夹是有下载的数据集解压得到的，而SegmentationClassRaw和tfrecord这两个文件夹使我们自己创建的；SegmentationClassRaw: 是我们将原始的三通道（彩色）Lable转换成单通道（黑白）的，详细转换过程见下步;tfrecord: 是我们将图片和单通道lable转换用于tensorflow计算的数据格式，转换过程见下.

3、数据格式转换：

• 三通道—to—单通道：
  下载的数据集中只提供了三通道（彩色）的标注（lable）（SegmentationClass文件夹中），但是我们训练和后面的测试中必须得用到单通道（黑白）的，所以第一步应该将其进行转换（不过我不是很明白为嘛训练要用单通道的，难道是因为单通道的计算量小，希望哪路大神看见此文帮我解答一下）；官方提供的代码中提供了格式转换文件【/home/jerry/Deeplab/research/deeplab/datasets/remove_gt_colormap.py】，我在看博文时发现有大神用其他代码转换格式的，很厉害。我就直接用了官方的，代码很简单。我编了个sh脚本文件，直接调用该文件，不需要对【remove_gt_colormap.py】进行任何修改。
  
  转换成后的数据存储在SegmentationClassRaw中，该文件夹最好自己先建好，然后在sh中修改相关路径就ok。
• 生成tfrecord文件：
  官方提供的文件中，同样有将voc2012数据转换成tfrecord的代码【/home/jerry/Deeplab/research/deeplab/datasets/build_voc2012_data.py】，同样，编写sh脚本文件，修改部分路径，然后直接生成tfrecord文件，代码见上图后半部分。同样，最好先自己建立tfreord文件夹。
• 参数说明：
  –image_folder=“保存images的路径” \
  –semantic_segmentation_folder=“保存labels的路径” \
  –list_folder=“保存train.txt文件的路径” \
  –image_format=“jpg（image格式）” \
  –output_dir=“生成tfrecord格式的数据所要保存的位置”

数据都准备好了之后，就可以直接开始调用代码，进行训练和测试了。

三、训练

训练这部分，没有什么难的，直接将官方代码运行就好。个人为了麻烦，全部将需要调参的写成了sh脚本文件，下面直接贴出我的代码。

脚本中的相关参数含义可见我的上文https://blog.csdn.net/qq_38437505/article/details/82952024
利用官方提供的ckpt，我训练的loss大约1.4左右。

四、测试：

利用官方的训练ckpt模型，我的最终，Miou达到了81.5%，由于机器以及部分参数的原因，没法达到论文中准确率。

五、可视化结果

最后将我最终得到训练结果给大家看看，还是很不错的。