ubunt18.04 搭建模型DeepLab v3+

目录

 

一、安装RTX2080TI驱动

二、安装CUDA

三、安装cudnn

四、安装anaconda3

五、使用anaconda安装tensorflow

五、DeepLab项目安装和测试

六、准备数据集

1、使用labelme进行图像标注

2、将所有数据的json文件转换成标签图片

3、mask灰度值的转换

4、将数据集分为训练集和测试集

5、制作指引文件TFRecord

七、训练与测试

1、修改训练脚本

 2、网络训练


一、安装RTX2080TI驱动

1、英伟达官网选择合适的驱动

https://www.nvidia.com/Download/index.aspx?lang=en-us

ubunt18.04 搭建模型DeepLab v3+_第1张图片

ubunt18.04 搭建模型DeepLab v3+_第2张图片

 驱动名称:NVIDIA-Linux-x86_64-450.66.run

2、禁用nouveau驱动

2.1 nouveau禁止命令写入文件

sudo gedit /etc/modprobe.d/blacklist.conf

文件末尾添加以下语句:

blacklist nouveau
blacklist lbm‐nouveau
options nouveau modeset=0
alias nouveau off
alias lbm‐nouveau off

2.2 调用指令禁止nouveau

echo options nouveau modeset=0 | sudo tee ‐a /etc/modprobe.d/nouveau‐kms.conf

2.3 更新内核

sudo update‐initramfs ‐u

2.3 重启系统

sudo reboot

2.4 查看是否禁用成功

lsmod | grep nouveau

无输出则代表禁用成功。

3、进入tty模式

ctrl + alt+ F1

4、关闭x server

sudo service lightdm stop
sudo init 3

5、卸载原有驱动

若安装过其它版本或其它方式安装过驱动,则执行此项。

sudo apt-get remove nvidia-*

6、切换英伟达安装包指定目标,赋予权限并进行安装

cd ~/Downloads
chmod +x NVIDIA-Linux-x86_64-450.66.run
sudo sh NVIDIA-Linux-x86_64-450.66.run ‐‐no‐opengl‐files

7、安装过程中出错

ubunt18.04 搭建模型DeepLab v3+_第3张图片

ubunt18.04 搭建模型DeepLab v3+_第4张图片

解决办法:

7.1 卸载原有驱动

sudo apt-get remove nvidia-*

7.2 如果用.run安装包安装过,但失败了,一定要

sudo ./NVIDIA-Linux-x86_64-450.66.run -uninstall

7.3 重启系统

不知道这一步有没有用,但是我做了。

sudo reboot

7.4 关键一步

(参考链接:https://askubuntu.com/questions/798932/how-can-i-fix-unable-to-load-nvidia-installer-ncurses-v6-user-interface)

因为试了前三步之后,重新安装还是报错。

rm /usr/lib/nvidia/pre-install

重新安装成功。

7.5 一点点说明

     刚开始查找“The distribution-provided pre-install script failed”的原因,但是试了网上说的很多方法,都没有起作用。后来,查找安装日志nvidia-installer.log ,通过日志,开始查找“Unable to load:nvidia installer ncurses v6 user interface”的原因,最终在下面链接中找到解决办法。

https://askubuntu.com/questions/798932/how-can-i-fix-unable-to-load-nvidia-installer-ncurses-v6-user-interface

8、安装成功之后,在图形界面下可以通过命令,查看自己机器上详细的GPU信息。

nvidia-settings

或者 打开终端执行:

nvidia-smi

二、安装CUDA

 1、下载CUDA

https://developer.nvidia.com/cuda-toolkit

如下图选择合适的版本:

ubunt18.04 搭建模型DeepLab v3+_第5张图片

cuda_11.0.3_450.51.06_linux.run

2、下载过程中遇到的问题

如下图所示,快下载结束的时候,提示“s段核心已转储”。

解决办法:

使用如下命令进行查看;

ulimit -a

可以看到stack size 大小只有8192,太小了 

使用如下命令,将stack size 改为100m,问题解决。

ulimit -s 102400

参考链接:https://blog.csdn.net/seaflyren/article/details/104131269

3、安装

sudo sh cuda_xx.run

 (1)Abort与continue,选择continue

(2)图1中按回车键去掉Driver前面的X;选中options,进入图2界面,选中Driver Options,进入图3界面,前3项前面回车选X;图3界面选择Done,进入图2界面,选择Done,进入图1界面,选择Install,等待。

ubunt18.04 搭建模型DeepLab v3+_第6张图片

                                                                                              图1

ubunt18.04 搭建模型DeepLab v3+_第7张图片

                                                                                           图2 

ubunt18.04 搭建模型DeepLab v3+_第8张图片

                                                                                         图3

https://blog.csdn.net/RealCoder/article/details/107722616

https://blog.csdn.net/RealCoder/article/details/107722616

5、查看cuda是否安装成功

使用下面命令查看

nvcc -V

但是在测试cuda的Samples时,出现问题。测试步骤如下:

cd /usr/local/cuda‐11.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

错误提示:

ubunt18.04 搭建模型DeepLab v3+_第9张图片

经查找,发现是英伟达驱动存在问题,使用

nvidia-smi

错误提示:

解决办法:

参考链接:https://blog.csdn.net/hangzuxi8764/article/details/86572093

ubunt18.04 搭建模型DeepLab v3+_第10张图片

再次测试cuda的Samples时,成功

ubunt18.04 搭建模型DeepLab v3+_第11张图片

三、安装cudnn

安装方法一:

1、进入下载链接,选择对应的版本cudnn-11.0-linux-x64-v8.0.2.39

https://developer.nvidia.com/rdp/cudnn-download

2、安装步骤

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

3、验证是否安装成功

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

 输出cudnn的版本即安装成功

安装方法二:

ubunt18.04 搭建模型DeepLab v3+_第12张图片

四、安装anaconda3

1、下载地址,下载对应的版本Anaconda3-2020.07-Linux-x86_64.sh

http、s://www.anaconda.com/download/#linux

2、安装

bash Anaconda3-2020.07-Linux-x86_64.sh

3、更新环境变量

source ~/.bashrc

或者手动添加环境变量

gedit ~/.bashrc

在后面添加:

export PATH=/home/bai/anaconda2/bin:$PATH

保存后执行

source ~/.bashrc

4、测试是否安装成功

conda list

 如果有输出,则安装成功

5、anaconda国内环境配置

conda config ‐‐add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config ‐‐add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config ‐‐set show_channel_urls yes

五、使用anaconda安装tensorflow

1、创建tensorflow环境,环境名称为tfgpu

conda create -n tfgpu python=3.7

2、激活tfgpu环境

source activate tfgpu

3、在tfgpu环境下安装tensorflow1.14.0

conda install --channel https://conda.anaconda.org/anaconda tensorflow-gpu=1.14.0

 4、在tfgpu环境下安装jupyter notebook

主要是为了验证tensorflow是否安装成功。

conda install ipython
conda install jupyter

 5、在环境下验证tensorflow是否安装成功

jupyter notebook

打开一个新的Jupyter Notebook,输入以下命令,并运行。如果没有出现任何错误,则说明安装成功了。

import tensorflow as tf

 6、安装spyder

conda install spyder

 注意:这里安装的jupyter notebook和spyder是安装在tfgpu环境下,不是在Anaconda自带的jupyter notebook和spyder,这样它们才能使用tensorflow。每次使用时,需要先激活tfgpu环境

至此,环境配置基本完成,接下来Deeplab项目安装和测试。

五、DeepLab项目安装和测试

1、克隆deeplab项目

官方代码github地址:https://github.com/tensorflow/models/tree/master/research/deeplab

git clone https://github.com/tensorflow/models.git

2、 添加项目依赖路径

sudo gedit ~/.bashrc

添加如下语句:

export
PYTHONPATH=/home/xxxx/models/research/slim:/home/xxxx/models/research:$PYTHONPATH

xxxx代码deeplab代码存放位置。

添加完成之后,执行,

source ~/.bashrc

3、测试deeplab

cd /home/xxxx/models/research/deeplab

执行:

python model_test.py

最后输出ok。

4、遇到的问题

(1)问题:ModuleNotFoundError: No module named 'tf_slim'

解决办法:

pip install tf_slim

(2)升级cmake

https://graspingtech.com/upgrade-cmake/

六、准备数据集

1、使用labelme进行图像标注

标注后生成json文件。

2、将所有数据的json文件转换成标签图片

建立文件夹/home/yons/Project/Deeplab/dataset/dataset_json/data_annotated

将所有数据集图像和labelme标注的json文件放置到data_annotated文件夹内

在/home/yons/Project/Deeplab/dataset路径下执行如下命令:

python labelme2voc.py dataset_json/data_annotated dataset_json/data_dataset_voc --labels labels.txt

其中,labels.txt中是需要分割物体的类别,示例如下:

ubunt18.04 搭建模型DeepLab v3+_第13张图片

执行后生成文件夹data_dataset_voc,文件夹内容如下:

ubunt18.04 搭建模型DeepLab v3+_第14张图片

3、mask灰度值的转换

生成的mask必须为单通道(灰度图),为png格式。

注意,在制作mask时,对所有object的灰度像素值有要求。

对于所有objects包括background在内,在mask中要将灰度值标注为0, 1,...n。虽然产生的图片肉眼很难看出区别,但是这对训练是有效的。注意,不要把object的灰度值标注成10,20,100...。

因为自己的数据集中没有ignore_label,所以没有点设置为255(自己的数据集和CamVid都没有。如果存在ingore_label,在视觉上是白色的)。

关于图像的mask,设置如下:

将background的灰度值设置为0 ,object1,2,3,4,5的灰度值设置为1,2,3,4,5.

使用models/research/deeplab/datasets/remove_gt_colormap.py

deeplab/datasets 中自带的 remove_gt_colormap.py 脚本仅适用于带有 colormap 的单通道png图像。

如果是这种类型的png图像,则可以使用自带的 remove_gt_colormap.py 脚本进行转换。

执行如下命令去除mask的colormap:

python /home/yons/Project/Deeplab/models/research/deeplab/datasets/remove_gt_colormap.py --original_gt_folder dataset_json/data_dataset_voc/SegmentationClassPNG --output_dir dataset_json/data_dataset_voc/SegmentationClassPNG-raw

4、将数据集分为训练集和测试集

创建data文件夹,文件夹的结构为:

ubunt18.04 搭建模型DeepLab v3+_第15张图片

将所有图片放到image下,对应的mask图(步骤3中在SegmentationClassPNG-raw下的图片)放到mask下。

python get_train_val.py

将训练集和测试集的图片名称存入index下的train.txt trainval.txt  val.txt中

python getnames.py

train.txt:所有训练集的文件名称

trainval.txt:所有验证集的文件名称

val.txt:所有测试集的文件名称

5、制作指引文件TFRecord

运行以下命令:

python build_voc2012_data.py \
--image_folder="/home/yons/Project/Deeplab/dataset/data/image" \
--semantic_segmentation_folder="/home/yons/Project/Deeplab/dataset/data/mask" \
--list_folder="/home/yons/Project/Deeplab/dataset/data/index" \
--image_format="jpg" \
--output_dir="/home/yons/Project/Deeplab/dataset/data/tfrecord"

image_folder :数据集中原输入数据的文件目录地址

semantic_segmentation_folder:数据集中标签的文件目录地址

list_folder : 将数据集分类成训练集、验证集等的指示目录文件目录

image_format : 输入图片数据的格式

output_dir:制作的TFRecord存放的目录地址(自己创建)

/

get_train_val.py

#!/usr/bin/env python
import numpy as np
import os, sys
import os.path
from PIL import Image
###############################
#处理原图
url = '/home/yons/Project/Deeplab/dataset/data/'#图片存储的文件夹名称
src_url = url + 'image/'
mask_url = url + 'mask/'
pathlist=os.listdir(src_url)
n=len(pathlist)#图片的数量
array = np.arange(n)#产生长度为n的序列
np.random.shuffle(array)#将arrray序列随机排列
#把path文件夹下以及其子文件下的所有.jpg图片移动到new_path文件夹下
def moveImg(path,new_path):
    img=Image.open(path)
    img.save(os.path.join(new_path,os.path.basename(path)))
#30%的数据生成验证集
src_new_path = url + 'val/'
mask_new_path = url + 'valannot/'
i=0
while(i <= (int(n*0.3))):
    src_str = pathlist[array[i]]    
    DatasetPath = src_url  + src_str
    print('path: ',DatasetPath)
    moveImg(DatasetPath,src_new_path)
    mask_str = src_str.replace("jpg","png")
    DatasetPath = mask_url  + mask_str
    print('path: ',DatasetPath)
    moveImg(DatasetPath,mask_new_path)
    i=i+1
#70%的数据生成训练集
src_new_path = url + 'train/'
mask_new_path = url + 'trainannot/'
while(i <= (n-1)):
    src_str = pathlist[array[i]] 
    DatasetPath = src_url + src_str
    print('path: ',DatasetPath)
    moveImg(DatasetPath,src_new_path)
    mask_str = src_str.replace("jpg","png")
    DatasetPath = mask_url  + mask_str
    print('path: ',DatasetPath)
    moveImg(DatasetPath,mask_new_path)
    i=i+1    
 

getnames.py

import os,shutil
from PIL import Image
 


train_path = '/home/yons/Project/Deeplab/dataset/data/train/'
filelist_train = sorted(os.listdir(train_path))
val_path = '/home/yons/Project/Deeplab/dataset/data/val/'
filelist_val = sorted(os.listdir(val_path))
test_path = '/home/yons/Project/Deeplab/dataset/data/test/'
filelist_test = sorted(os.listdir(test_path))
index_path = '/home/yons/Project/Deeplab/dataset/data/index/'

VOC_file_dir = index_path


VOC_train_file = open(os.path.join(VOC_file_dir, "train.txt"), 'w')
VOC_val_file = open(os.path.join(VOC_file_dir, "val.txt"), 'w')
VOC_test_file = open(os.path.join(VOC_file_dir, "trainval.txt"), 'w')
VOC_train_file.close()
VOC_val_file.close()
VOC_test_file.close()

VOC_train_file = open(os.path.join(VOC_file_dir, "train.txt"), 'a')
VOC_val_file = open(os.path.join(VOC_file_dir, "val.txt"), 'a')
VOC_test_file = open(os.path.join(VOC_file_dir, "trainval.txt"), 'a')

for eachfile in filelist_train:
    (temp_name,temp_extention) = os.path.splitext(eachfile)
    img_name = temp_name
    VOC_train_file.write(img_name + '\n')

for eachfile in filelist_val:
    (temp_name, temp_extention) = os.path.splitext(eachfile)
    img_name = temp_name
    VOC_val_file.write(img_name + '\n')

for eachfile in filelist_test:
    (temp_name, temp_extention) = os.path.splitext(eachfile)
    img_name = temp_name
    VOC_test_file.write(img_name + '\n')

VOC_train_file.close()
VOC_val_file.close()
VOC_test_file.close()


七、训练与测试

1、修改训练脚本

1.1 添加数据集描述

在models/research/deeplab/datasets/data_generator.py文件中,添加自己的数据集描述:

num_classes定义:目标类别数目+背景;如果存在ignore_label,则为目标类别数目+背景+ignore_label

ignore_label为图像中不需要被检测的部分,被标记为255,一般不参与训练计算的部分。

ubunt18.04 搭建模型DeepLab v3+_第16张图片

1.2 修改train_utils.py

在models/research/deeplab/utils/train_utils.py中,修改exclude_list的设置,作用是在使用预训练权重时,不加载该logit层。

1.3 修改train.py

如果想在DeepLab的基础上fine-tune其他数据集, 可在deeplab/train.py中修改输入参数。

一些选项:
使用预训练的所有权重,设置initialize_last_layer=True

只使用网络的backbone,设置initialize_last_layer=False和last_layers_contain_logits_only=False

使用所有的预训练权重,除了logits。因为如果是自己的数据集,对应的classes不同(这个我们前面已经设置不加载logits),可设置initialize_last_layer=False和last_layers_contain_logits_only=True

ubunt18.04 搭建模型DeepLab v3+_第17张图片

 2、网络训练

2.1 下载预训练模型

下载地址:https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md

下载的预训练权重为xception_cityscapes_trainfine

解压目录:

models/research/deeplab/deeplabv3_cityscapes_train

2.2 类别不平衡修正

如果background占了很大比例,设置的权重比例为1,10,15,等等

在train_utils.py文件中add_softmax_cross_entropy_loss_for_each_scale函数中第一句加上你设置的权重,例如 loss_weights=[1.0, 10.0, 15.0, 10.0, 10.0, 10.0] 其中1.0是背景权重,后面是几个类别物体的权重。权重比例参考图像中目标像素数与背景像素数之比。(我在训练过程中,loss一直降不下去。把权重比设大就可以了,可能因为目标太小,背景占比例大;训练过程中,需要将目标的权重设大。)

旧版deeplab代码中修改权重:

    ###changes
    ignore_weight = 0
    label0_weight = 1
    label1_weight = 1500
    not_ignore_mask = tf.to_float(tf.equal(scaled_labels,0))*label0_weight+tf.to_float(tf.equal(scaled_labels,1))*label1_weight+tf.to_float(tf.equal(scaled_labels,ignore_label))*ignore_weight
    ###
    one_hot_labels = tf.one_hot(scaled_labels, num_classes, on_value=1.0, off_value=0.0)
    tf.losses.softmax_cross_entropy(
         one_hot_labels,
         tf.reshape(logits, shape=[-1, num_classes]),
         weights=not_ignore_mask,
         scope=loss_scope)

2.3 训练指令

注意如下几个参数:

tf_initial_checkpoint:预训练的权重

train_logdir: 训练产生的文件存放位置

dataset_dir: 数据集的TFRecord文件

dataset:设置为在data_generator.py文件设置的数据集名称

与文件夹models在同一路径下执行如下的训练指令:

#!/bin/bash
#update PYTHONPATH
export PYTHONPATH=$PYTHONPAATH:`pwd`/models/research:`pwd`/models/research/slim
#set up the working environment
CURRENT_DIR=$(pwd)
WORK_DIR="${CURRENT_DIR}/models/research/deeplab"

python "${WORK_DIR}"/train.py \
   --logtostderr \
   --training_number_of_steps=10000 \
   --train_split="train" \
   --model_variant="xception_65" \
   --atrous_rates=6 \
   --atrous_rates=12 \
   --atrous_rates=18 \
   --output_stride=16 \
   --decoder_output_stride=4 \
   --train_crop_size=321,321 \
   --train_batch_size=2 \
   --dataset="data" \
   --tf_initial_checkpoint='/home/yons/Project/Deeplab/models/research/deeplab/deeplabv3_cityscapes_train/model.ckpt' \
   --train_logdir='/home/yons/Project/Deeplab/result/data_train/train' \
   --dataset_dir='/home/yons/Project/Deeplab/dataset/data/tfrecord' 

2.4 测试结果可视化

与文件夹models在同一路径下执行如下的可视化指令:

#!/bin/bash
#update PYTHONPATH
export PYTHONPATH=$PYTHONPAATH:`pwd`/models/research:`pwd`/models/research/slim
#set up the working environment
CURRENT_DIR=$(pwd)
WORK_DIR="${CURRENT_DIR}/models/research/deeplab"
python "${WORK_DIR}"/vis.py \
   --logtostderr \
   --vis_split="train" \
   --model_variant="xception_65" \
   --atrous_rates=6 \
   --atrous_rates=12 \
   --atrous_rates=18 \
   --output_stride=16 \
   --decoder_output_stride=4 \
   --vis_crop_size=100,1500 \
   --dataset="data" \
   --colormap_type="pascal" \
   --checkpoint_dir='/home/yons/Project/Deeplab/result/data_train/train'\
   --vis_logdir='/home/yons/Project/Deeplab/result_img' \
   --dataset_dir='/home/yons/Project/Deeplab/dataset/data/tfrecord'

vis_split:设置为测试集

vis_crop_size:设置100,1500为图片的大小
dataset:设置为我们在data_generator.py文件设置的数据集名称

dataset_dir:设置为创建的TFRecord

colormap_type:可视化标注的颜色

可到文件夹result_img下查看可视化结果

2.5 性能评估

#!/bin/bash
#update PYTHONPATH
export PYTHONPATH=$PYTHONPAATH:`pwd`/models/research:`pwd`/models/research/slim
#set up the working environment
CURRENT_DIR=$(pwd)
WORK_DIR="${CURRENT_DIR}/models/research/deeplab"
python "${WORK_DIR}"/eval.py \
   --logtostderr \
   --eval_split="val" \
   --model_variant="xception_65" \
   --atrous_rates=6 \
   --atrous_rates=12 \
   --atrous_rates=18 \
   --output_stride=16 \
   --decoder_output_stride=4 \
   --eval_crop_size=100,1500 \
   --dataset="data" \
   --checkpoint_dir='/home/yons/Project/Deeplab/result/data_train/train'\
   --eval_logdir='/home/yons/Project/Deeplab/result_img/eval' \
   --dataset_dir='/home/yons/Project/Deeplab/dataset/data/tfrecord' \
   --max_number_of_evaluations=1

在eval_logdir下查看mIoU的值。

在data_train/train下查看过程loss。

 

至此,实践完。

你可能感兴趣的:(机器视觉,Ubuntu,图像处理)