1.数据集、脚本和模型下载1.1下载Cityscapes使用Cityscapes官方数据：https://www.cityscapes-dataset.com/Cityscapes数据集包括leftImg8bit(11GB)和对应的标注集gtFine(241MB)。1.2下载脚本文件在https://github.com/mcordts/cityscapesScripts下载cityscapesS

本文主要介绍如何使用自己的数据集训练DeepLabv3+分割算法，代码使用的是官方源码。

目录deeplabv3+原理制作自己的数据集训练数据集tfboarddeeplabv3+原理制作自己的数据集labelme标注图像转换成voc数据集格式(lambelme2voc.py)，编辑labels.txt

**参考：**1.使用deeplabv3+训练自己的数据集经验总结2.window环境下进行deeplab_tensorflow实验之第一阶段3.window环境下进行deeplab_tensorflow

Deeplabv3+源码运行记录，从环境配置到创建自己的数据集再到完成训练0感谢1源码下载与环境配置1.1源码下载1.2环境配置1.3测试环境2数据集的制作与注册2.1数据标注2.2建立目录2.3格式转换

整个过程主要用到的网站：TensorFlow实战：Chapter-9上(DeepLabv3+代码实现)（超详细很完整）tensorflow上实现deeplabv3+官方指导文档CityScapes数据官方下载地址

???????????????????????????????文章目录大前提DATAAnnotationConverttoVOC-formatDatasetConvertto灰度图Converttotfrecord修改训练文件segmentation_dataset.pytrain_utils.py训练，验证，可视化训练选择设置训练可视化验证一些可能的困难数据集不平衡输入数据尺寸统一分割类别过多官

使用deeplabv3+进行语义分割环境要求：python3、tensorflow-gpu1.11.0或者以上，ubuntu/win都可以0.DeepLabv3+代码下载0.1将tensorflow的models

来回折腾好几天，实在不行只好尝试用tensorflow来训练deeplabv3+模型。PS：如果谁有pytorchdeepla

文章目录整体架构空洞卷积空间金字塔池化（ASPP）Decoder改进的Xception模型小结参考文献图像分割是计算机视觉中除了分类和检测外的另一项基本任务，它意味着要将图片根据内容分割成不同的块。相比图像分类和检测，分割是一项更精细的工作，因为需要对每个像素点分类，如下图的街景分割，由于对每个像素点都分类，物体的轮廓是精准勾勒的，而不是像检测那样给出边界框。图1街景分割图像分割可以分为两类：语义

具体来说，我们提出的模型DeepLabv3+通过添加一个简单而有效的解码器模块来扩展DeepLab

个人记录“基于深度学习的计算机视觉开发环境搭建”要搭这个环境就得先找自己适合版本：下面我找的一篇很好的博客必须看！要不然你安装错了版本，还是得回到这一步。环境搭建——Ubuntu如何查看显卡信息及安装NVDIA显卡驱动地址:点我跳转接下来使用老师的博客教程作为参考因为我实际情况不太一样，不能完全安装老师博客里的命令，这里讲我自己应用老师博客命令上的不一样的地方，如果我运行没问题的话，就会跳过。“基

本文利用DeepLabv3+模型完成一键抠图。DeepLabv3+是Goog

1前言我们在DeepLabV3+中学习到了ASPP算法，ASPP就是使用了膨胀卷积的SpatialPyramidPooling(SPP)～2SPP的作用——多尺度特征融合；——将不同输入变成固定维数的向量

deeplab系列DeepLabV3+基本原理及Pytorch版注解以下参考：【语义分割系列】deeplabv3相关知识点以及pytorch实现（ASSP模块）classASPP(nn.Module):

Segnet–Unet–Pspnet–Deeplabv3+语义分割的代码实现做语义分割的话，第一步就是要制作数据集了，当然你也可以找官方的数据集进行训练，下面我们就先说明如何制作数据集。

DeepLabv3+代码阅读之train_utils.py一、get_model_learning_rate()defget_model_learning_rate(learning_policy,#Learningratepolicyfortraining.base_learning_rate

DeepLabV3+代码地址：https://github.com/bonlime/keras-deeplab-v3-plus一、本机环境：Keras=2.2.4Tensorflow=1.8.0二、测试时出现的问题在本地测试时

这篇论文是对deeplabv3架构的改进，即deeplabv3+，论文原文《Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation

用的pytorch来训练deeplabv3+在做deeplabv3+的过程中，我的训练图片是8位的，如下图：8位的：24位的：这样虽然在训练过程中能够正常训练。

论文：https://arxiv.org/pdf/1802.02611.pdf源码：https://github.com/tensorflow/models/tree/master/research/deeplab环境：ubuntu16.04+cuda9.0+cudnn7.6+tensorflow-gpu1.11cuda9.0+cudnn7.6安装配置可参照：https://blog.csdn.n

最近在修改deeplabv3+的代码训练自己的数据进行分割任务,因为我的数据中label为0的像素点特别多,数据不平衡,所以考虑对label为0的sample设置权重为0.1,其他class权重为1.查看

在本篇文章中，我们将会带你使用PaddlePaddle中的显存优化，使用单张1080ti训练语义分割网络DeepLabv3+。同时作者还将训练结果与其他框架做了对比，Paddl

步骤：获得分割样本->制作标签，VOC2012格式打包->利用DeepLabV3+完成语义分割工作->进一步研究目录实现自动生成标注的图像分割设计一、数据处理二、制作标签使用labelme实现标注标签自动生成三

DL之DeepLabv3：DeepLabv3和DeepLabv3+算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略目录DeepLabv3和DeepLabv3+算法的简介(论文介绍)DeepLabv3DeepLabv3

这是PaperDaily的第44篇文章关于作者：陈泰红，小米高级算法工程师，研究方向为人脸检测识别，手势识别与跟踪。■论文|Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation■链接|https://www.paperweekly.site/papers/1676前言临近春节，Google团队也不休假，趁

本次比赛最佳模型框架deeplabv3+。数据处理为了应对图片过大的现象，本次

Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentationAbstract:结合spp模块和encode-decode结构的优点提出的新的语义分割结构deepLabV3

飞桨（PaddlePaddle）为用户提供技术领先、简单易用、兼顾显存回收与复用的显存优化策略，在Transformer、BERT、DeepLabV3+上MaxBatchSize性能优于对标开源框架，在

paddleseg主流模型U-NET：轻量级模型参数少计算快DeepLabv3+：支持多种Backboon特征提取ICNet：实时语义分割适用高兴能预测场景轻量级移动端主干网络：MobileNetv20.25x

X_viaualization.py利用训练好的模型对输入的图片可视化展示，随便输入一张图片#-*-coding:utf-8-*-importtimefrommatplotlibimportgridspecfrommatplotlibimportpyplotaspltimportnumpyasnpfromPILimportImageimportcv2ascvimporttensorflowastf

源代码参考地址：https://github.com/tensorflow/models/tree/master/research/deeplab测试安装参考地址：https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/installation.md测试与安装将models文件夹从github上clone到an

ubuntu16.04+TensorFlow1.9.1+cuda9.0+cudnn7.0+python3.6tensorflow项目链接https://github.com/tensorflow/models.git（deeplabv3

虽然DeeplabV3和DeeplabV3+的网络非常相似，但是这次DeeplabV3+使用了tf.data生

本文主要介绍根据githubtensorflow/models中官方代码来训练deeplabv3+源代码:https://github.com/tensorflow/models/tree/master

3+支持三种数据库，voc2012，cityscapes，ade20k，代码文件夹-deeplab-datasets-data_generator.py在开始之前，始终记住，网络模型的输入是非常简单的image，规格化到[-1,1]或[0,1]，或者数据扩增(水平翻转，随机裁剪，明暗变化，模糊)，以及一个实施了相同数据扩增的label（毕竟需要pixel对上），test的话只需要一个image。是

目录看代码model.py:refine_by_decoder看代码定义与注释：函数部分输入参数解读：BN（batchnormalization）配置：操作获取DCNNtensor用来细化分割结果合并两个tensor论文中的decoder特点两个输入分了两次上采样，存在1/16与1/4特征图。看代码model.py:refine_by_decoder看代码定义与注释：defrefine_by_de

只需要训练时不提供参数“--decoder_output_stride=4\”就可以直接去掉decode部分，那么取而代之的就是下面要讨论的。可以看出来，直接将16倍的特征图上采样到了原始图片大小。并且使用的是21通道的小特征图。从代码来看：def_get_logits(images,model_options,weight_decay=0.0001,reuse=None,is_training=

1.deeplabv3+整体结构看一下deeplabv3+整个文件夹结构：我是从local_test_mobilenet

文章目录1.电脑配置2.基本环境配置3.clonetensorflow/models1.电脑配置1.ubuntu16.042.anaconda3+python3.6+tensorflow1.5(版本太低了）3.CPU4GB2.基本环境配置GIthub官方安装链接我没有下载JupyternotebookDeepLabdependsonthefollowinglibraries:NumpyPillow

tfrecord的生成代码pythondeeplab/datasets/build_voc2012_data.py\--image_folder="/home/dsx/ccc/img"\--semantic_segmentation_folder="/home/dsx/ccc/mask"\--list_folder="/home/dsx/ccc/index"\--image_format="png

deeplabv3+代码链接使用Pascal_voc数据集训练的官方教程1.环境配置这里笔者主要是按照官方教程安装了需要的包，再有就是把slim依赖库添加到pythonpath，但是笔者没有这样做，直接运行程序

DeepLabv3+代码阅读之input_preprocess.py一、preprocess_image_and_label对图片和标签处理返回：original_image：原始图片processed_image

查了下deeplabv3+算是分割里面比较成熟的，研究一下。

Notes:谷歌deeplabv3+的代码现在已经开源，详见deeplab(Github)，还有一个使用的demo样例。

一、数据集制备用于海岸线项目的语义分割数据集制备与VOC格式相同（关于VOC格式说明可参加链接1）。首先需要在dataset目录下建立如下图所示的自己的数据集目录，比如我的是海岸线分割数据集，那么在dataset下就建立起sealand文件夹。然后在sealand文件夹下建立起ImageSets、JPEGImages、SegmentationClass三个文件。其中JPEGImages，存放所有的

1.环境配置（1）首先需要配置代码运行所需要的环境，本文使用的是从官网下载的代码，其源码是在TensorFlow运行的，故需要安装TensorFlow，我安装的是TensorFlow-gpu=15.0版本，所以之前需要先配置好相应的Cuda环境和Cudnn环境，这里使用的是Cuda10.0，我试过Cuda10.1，会出现错误，虽然可以通过修改实现代码正常运行，但最后还是安装与TensorFlow版

代码地址训练代码train.pyfrom__future__importabsolute_importfrom__future__importdivisionfrom__future__importprint_functionimportsiximporttensorflowastf#importtensorflow.compat.v1astffromtensorflow.contribimpor

Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation原文地址：DeepLabv3+代码复现：TensorFlow

如何使用DeepLabV3+训练CityScapes。数据集处理我的数据集是3分类问题，但因为数据集的保密协议，在后面的demo中我没有放出原图片，我会尽量将训练细节写出来。