深度学习学习笔记1

语义分割体验

1.批量下载谷歌影像数据

QGIS中绘制试验范围用3857投影，记录比例；创建格网divide_by_ploygon.py；QGIS缩放到合适分辨率查看四至点，计算geosize尺寸calculate_px_geosize.py；将by_grid_lv2.py加载到QGIS输出谷歌图片jpg和坐标信息igw，设置两个输出文件的路径和计算的geosize。

2.下载模型代码并配置环境（pip install -r requirements的路径）

3.labelme做标注

4.制作数据集（json_to_dataset.py）

路径、class、count = os.listdir(jpgs_path)

5.划分数据集（voc_annotation.py） 训练集、验证集txt

6.训练模型（train.py）

7.修改deeplab.py

model_path（best）、num_classes

8.输出精度（get_miou.py）

num_classes、name_classes

9.从test.txt和jpg数据中拷贝出test数据集（copy_testimg.py）

10.预测数据（predict.py）

name_classes

mode = "dir_predict"

路径dir_origin_path = "VOCdevkit/VOC2007/Test"

路径dir_origin_path 做如下调整可跳过步骤9

#VOCdevkit_path      = 'VOCdevkit'
#image_ids       = open(os.path.join(VOCdevkit_path, "VOC2007/ImageSets/Segmentation/test.txt"),'r').read().splitlines() 
#dir_origin_path  = os.path.join(VOCdevkit_path, "VOC2007/JPEGImages/"+image_id+".jpg")

（若仅predict输出mask图层 ，需修改deeplb.py中默认参数 "mix_type" : 1）

---

参考：GitHub - bubbliiiing/deeplabv3-plus-pytorch: 这是一个deeplabv3-plus-pytorch的源码，可以用于训练自己的模型。