DeepLab 使用 Cityscapes 数据集训练模型

原文地址：DeepLab 使用 Cityscapes 数据集训练模型

0x00 操作环境

OS: Ubuntu 16.04 LTS
CPU: Intel® Core™ i7-4790K
GPU: GeForce GTX 1080/PCIe/SSE2
Nvidia Driver Version: 384.130
RAM: 32 GB

Anaconda: 4.6.11
CUDA: 9.0
cuDNN: 7.3.1
python: 3.6.8
tensorflow-gpu: 1.13.1

本文操作路径基于 /home/ai，使用 ~/代替

0x01 环境配置

安装 Anaconda

清华大学 TUNA 镜像站 - Anaconda

Anaconda 4.6.11

首先下载安装脚本并赋予执行权限

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2019.03-Linux-x86_64.sh
chmod +x Anaconda3-2019.03-Linux-x86_64.sh

运行安装脚本

./Anaconda3-2019.03-Linux-x86_64.sh

按照提示输入安装信息，建议安装在 /usr/local/anaconda3目录下，方便管理

安装 python 3.6

最新版的 Anaconda 默认在 base 环境安装 python 3.7，导致很多框架不支持，这里换成 3.6

conda install python=3.6

安装 tensorflow-gpu

conda install tensorflow-gpu=1.13.0

安装 CUDA

conda install cudatoolkit=9.0

0x02 配置 DeepLab v3

clone 源码

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

下载数据集

使用 Cityscapes 官方数据集

百度云链接
提取码： 7jgc

在 research/deeplab/datasets/dataset目录下新建 dataset 文件夹，并将下载的数据集解压至 model-master/research/deeplab/datasets/dataset

mkdir model-master/research/deeplab/datasets/dataset
unzip cityscapes.zip -d model-master/research/deeplab/datasets/dataset

解压 gtFine 文件

cd model-master/research/deeplab/datasets/dataset/cityscapes && \
unzip gtFine.zip

下载 Cityscapes 数据集相关脚本

clone 源码并移动至 model-master/research/deeplab/datasets/dataset/cityscapes

git clone https://github.com/mcordts/cityscapesScripts
mv cityscapesScripts model-master/research/deeplab/datasets/dataset/cityscapes

下载预训练模型

创建用于存放模型的文件夹

mkdir ~/models-master/research/deeplab/model

下载模型并解压至 model 文件夹

wget http://download.tensorflow.org/models/deeplabv3_mnv2_cityscapes_train_2018_02_05.tar.gz
tar zxvf deeplabv3_mnv2_cityscapes_train_2018_02_05.tar.gz ~/models-master/research/deeplab/model

0x03 转换数据集格式

将 Cityscapes 的 JSON 数据转换成 tfrecord

创建用于输出 tfrecord 数据的文件夹

mkdir ~/models-master/research/deeplab/datasets/dataset/cityscapes/tfrecord

修改 models-master/research/deeplab/datasets/convert_cityscapes.sh中的路径设置

以下直接给出脚本全文

注意：根据实际情况修改路径

# Exit immediately if a command exits with a non-zero status.
set -e

CURRENT_DIR=$(pwd)
WORK_DIR="~/models-master/research/deeplab/datasets"

# Root path for Cityscapes dataset.
CITYSCAPES_ROOT="${WORK_DIR}/dataset/cityscapes"

# Create training labels.
python "${CITYSCAPES_ROOT}/cityscapesscripts/preparation/createTrainIdLabelImgs.py"

# Build TFRecords of the dataset.
# First, create output directory for storing TFRecords.
OUTPUT_DIR="${CITYSCAPES_ROOT}/tfrecord"
mkdir -p "${OUTPUT_DIR}"

BUILD_SCRIPT="${WORK_DIR}/build_cityscapes_data.py"

echo "Converting Cityscapes dataset..."
python "${BUILD_SCRIPT}" \
  --cityscapes_root="${CITYSCAPES_ROOT}" \
  --output_dir="${OUTPUT_DIR}" \

赋予脚本执行权限

chmod +x models-master/research/deeplab/datasets/convert_cityscapes.sh

为方便文件管理，以上创建的文件结构与项目默认的结构不同，会导致一些脚本找不到 cityscapesScripts 相关模块，需要在 python 脚本中添加路径

~/models-master/research/deeplab/datasets/dataset/cityscapes/cityscapesscripts/preparation/createTrainIdLabelImgs.py

在 from cityscapesscripts 之前添加

sys.path.append('/home/ai/models-master_train-cityscapes/research/deeplab/datasets/dataset/cityscapes')

修改 build_cityscapes_data.py 脚本中的路径设置

~/models-master/research/deeplab/datasets/build_cityscapes_data.py

# Cityscapes 目录
tf.app.flags.DEFINE_string('cityscapes_root',
							'./dataset/cityscapes',
							'Cityscapes dataset root folder.')

# 输出目录
tf.app.flags.DEFINE_string('output_dir',
							'./dataset/cityscapes/tfrecord',
							'Path to save converted SSTable of TensorFlow examples.')

执行格式转换脚本

~/models-master/research/deeplab/datasets/convert_cityscapes.sh

0x04 训练

创建用于保存训练权重的目录

mkdir ~/models-master/research/deeplab/train

参数

• training_number_of_steps
  • 迭代次数
• train_crop_size
  • 图片裁剪大小，默认 513，最小 321
• fine_tune_batch_norm=False
  • 是否使用 batch_norm，官方建议，如果训练的 batch_size 小于12的话，须将该参数设置为False
• tf_initial_checkpoint
  • 预训练的初始 checkpoint，即预训练模型中的 model.ckpt
• train_logdir
  • 保存训练权重的目录
• dataset_dir
  • 使用转换后的 tfrecord 数据集目录

python train.py \
	--logtostderr \
	--training_number_of_steps=30000 \
	--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 \
	--train_crop_size=321 \
	--train_batch_size=4 \
	--fine_tune_batch_norm=False \
	--dataset="cityscapes" \
	--tf_initial_checkpoint="~/models-master/research/deeplab/model/train_fine/model.ckpt" \
	--train_logdir="~/models-master/research/deeplab/train" \
	--dataset_dir="~/models-master/research/deeplab/datasets/dataset/cityscapes/tfrecord"

0x05 测试

创建用于保存输出的目录

mkdir ~/models-master/research/deeplab/vis

参数

• vis_crop_size
  • 图片裁剪大小
• checkpoint_dir
  • 训练权重的目录
• vis_logdir
  • 输出分割结果的目录
• dataset_dir
  • 使用转换后的 tfrecord 数据集目录

python vis.py
–logtostderr
–vis_split=“val”
–model_variant=“xception_65”
–atrous_rates=6
–atrous_rates=12
–atrous_rates=18
–output_stride=16
–decoder_output_stride=4
–vis_crop_size=1025
–vis_crop_size=2049
–dataset=“cityscapes”
–colormap_type=“cityscapes”
–checkpoint_dir="/home/ai/models-master_train-cityscapes/research/deeplab/train"
–vis_logdir="/home/ai/models-master_train-cityscapes/research/deeplab/vis"
–dataset_dir="/home/ai/models-master_train-cityscapes/research/deeplab/datasets/dataset/cityscapes/tfrecord"

测试后生成的原图和分割图存在 vis_logdir/segmentation_results目录下

0x06 补充

TensorFlow DeepLab Model Zoo