MMsegmentation训练自己的voc数据集

  1. 使用labelme标注数据并转化为voc格式

安装labelme并打开(这里我把labelme安装在Anaconda的虚拟环境中了),在Anacondaprompt中打开

MMsegmentation训练自己的voc数据集_第1张图片

选择文件夹进行标注

MMsegmentation训练自己的voc数据集_第2张图片

保存之后每个图片会有一个对应的json文件

进入网址https://github.com/wkentaro/labelme下载转换脚本

MMsegmentation训练自己的voc数据集_第3张图片

使用pycharm打开文件examples/semantic_segmentation/labelme2voc.py

可以将自己的数据文件夹复制在同一目录下,根据自己的数据集新建一个label文本

MMsegmentation训练自己的voc数据集_第4张图片

在转换脚本下指定参数:

cell cell_voc --labelscell-labels.txt

分别表示:输入文件夹名称 输出文件夹名称 --labels 标签列表

执行之后结果为:

MMsegmentation训练自己的voc数据集_第5张图片

使用脚本提取图片名称并写入train.txt,val.txt,test.txt

file_list = [] #建立列表,用于保存图片信息
# txt文件地址
write_file_name = r'cell_voc/name.txt'
write_file = open(write_file_name, "w") #以只写方式打开write_file_name文件
for file in os.listdir(data_base_dir): #file为current_dir当前目录下图片名
    if file.endswith(".jpg"): #如果file以jpg结尾
        write_name = file #图片路径 + 图片名 + 标签
        file_list.append(write_name) #将write_name添加到file_list列表最后
        sorted(file_list) #将列表中所有元素随机排列
        number_of_lines = len(file_list) #列表中元素个数
#将图片信息写入txt文件中
for current_line in range(number_of_lines):
    write_file.write(file_list[current_line] + '\n')
#关闭文件
write_file.close()

结果为:

MMsegmentation训练自己的voc数据集_第6张图片

复制到mmsegmentation中的data目录下

2. 根据预测类别数修改配置文件

在configs文件夹中选择合适的模型,我选择的是:pydeeplabv3plus_r50-d8_512x512_20k_voc12aug.py

在tools/train.py中传入参数(模型路径):

../configs/deeplabv3plus/deeplabv3plus_r50-d8_512x512_20k_voc12aug.py

运行后会在当前文件夹下出现work_dirs文件夹,将文件夹下的deeplabv3plus_r50-d8_512x512_20k_voc12aug.py复制到/configs/deeplabv3plus文件夹下并改名

MMsegmentation训练自己的voc数据集_第7张图片

修改文件

num_classes=自己的数据类别数+1
data_root='.././data/cell_voc',#修改为自己的文件夹路径
split='train.txt',val,test同理
ann_dir=’SegmentationClassPNG’
MMsegmentation训练自己的voc数据集_第8张图片

修改文件mmseg/datasets/voc.py

CLASSES = ('background', 'cell')#分割类别

PALETTE = [[0, 0, 0], [128, 0, 0]]#分割颜色

修改文件:mmseg/core/evaluation/class_names.py中的voc_classes

def voc_classes():
     return [
        'background', 'cell'
    ]

3.加载预训练模型进行训练

预训练模型下载:https://github.com/open-mmlab/mmsegmentation

Benchmark and model zoo中选择运行的模型:

MMsegmentation训练自己的voc数据集_第9张图片

点击model下载到本地,复制到tools/work_dirs/deeplabv3plus_r50-d8_512x512_20k_voc12aug中

在my-deeplabv3plus_r50-d8_512x512_20k_voc12aug.py中修改预训练模型路径

load_from ='./work_dirs/deeplabv3plus_r50-d8_512x512_20k_voc12aug/deeplabv3plus_r50-d8_512x512_20k_voc12aug_20200617_102323-aad58ef1.pth'

在train.py中传入参数:自己的路径:

../configs/deeplabv3plus/my-deeplabv3plus_r50-d8_512x512_20k_voc12aug.py

运行结果为:

MMsegmentation训练自己的voc数据集_第10张图片

运行完成之后,会在tools/work_dirs/deeplabv3plus_r50-d8_512x512_20k_voc12aug/iter_500.pth有一个训练模型,由于我训练了500次迭代,保存了第500次的模型

4.预测demo演示

在demo/image_demo.py中传如参数:

../data/cell_voc/JPEGImages/4cbd6c37f3a55a538d759d440344c287cac66260d3047a83f429e63e7a0f7f20.jpg
../configs/deeplabv3plus/my-deeplabv3plus_r50-d8_512x512_20k_voc12aug.py
../tools/work_dirs/deeplabv3plus_r50-d8_512x512_20k_voc12aug/iter_500.pth
--palette voc

分别代表:图片路径,网络路径,模型路径,颜色为voc模式

结果:

MMsegmentation训练自己的voc数据集_第11张图片

一般有错误都是路径问题。

你可能感兴趣的:(人工智能,深度学习,python,pytorch,pycharm)