Deeplabv3+训练自己的数据集(包含脚本)
目录前言源码一、环境配置二、使用步骤1.制作数据集2.训练模型3.测试总结前言最近在着手一个项目,需要用到语义分割这一块,最后经过慎重的考虑,最终选择deeplabv3+这个比较强大的语义分割算法。下面我将对deeplabv3+训练自己的数据集进行讲解源码源码链接:https://pan.baidu.com/s/1UiE8dY_rQ3lyFdazVVhKeQ提取码:6alg一、环境配置python
前言
最近在着手一个项目,需要用到语义分割这一块,最后经过慎重的考虑,最终选择deeplabv3+这个比较强大的语义分割算法。下面我将对deeplabv3+训练自己的数据集进行讲解
源码
源码链接:https://pan.baidu.com/s/1UiE8dY_rQ3lyFdazVVhKeQ
提取码:6alg
一、环境配置
- python 3.6
- Tensorflow-gpu 1.13.2
- h5py 1.8.0
- pyqt5
- labelme
- matplotlib
- Keras 2.1.5
二、使用步骤
1.制作数据集
1.1、制作json文件:
这里采用labelme对图片数据进行标注,将json和.jpg放在同一路径下(before文件夹)
pycharm终端(terminal)输入labelme选择图片进行标注
示例:
1.2、数据格式:
before文件夹中放的是.json文件和标注的图片.jpg
JPEGImages和SegmentationClass是运行json_to_dataset.py处理后自动生成的图片,分别是.jpg和.png
1.3、配置数据:
将得到的JPEGImages和SegmentationClass复制到源码中的./VOCdevkit/VOC2007/文件夹下,并且运行该文件夹下的voc2deeplab.py生成对应的图片信息。
(注:要把文件中segfilepath和saveBasePath的路径改成自己对应的路径)
2.训练模型
1、打开train.py文件,找到文件中对应的model_path那一行,把路径改成自己电脑上对应的模型的路径。
2、打开deeplab.py文件,找到model_path,修改模型路径。
3、运行train.py文件。
4、模型会保存在logs文件夹下。
3.测试
打开predict.py,默认运行时打开摄像头进行测试,如果想测试图片或者fps,请找到代码中的mode部分
调试完成后,运行即可
三、常见报错
我们在运行train.py文件的时候可能会出现这个问题,找不到deeplabv3_plus
此时我们需要打开train.py,把粉色框框的部分删掉即可。
总结
如果测试成功了,调通了记得回来点一波三连!
更多推荐
所有评论(0)