Windows 上 DeepLab v3+ 训练自己的数据集

Windows10 tensorflow 1.6 cuda 9.0 cudnn7.0

1、源码：https://github.com/tensorflow/models/tree/master/research/deeplab

2、首先可以先下载VOC数据集进行训练

3、将自己的数据集参照VOC数据格式进行修改

JPEGImages中存放原始图像数据

SegmentationClass中存放标签数据，将数据值转化为对应目标类型（0，1，2，3……）

ImageSets\Segmentation 中存放列表数据

4、运行datasets中的build_voc2012_data.py，将数据集转换为tfrecord格式，修改参数

image_folder 图像位置

semantic_segmentation_folder 标注位置

list_folder 列表位置

output_dir 输出位置

5、train.py 进行训练

python "${WORK_DIR}"/train.py \--logtostderr \--train_split="trainval" \--model_variant="xception_65" \--atrous_rates=6 \--atrous_rates=12 \--atrous_rates=18 \--output_stride=16 \--decoder_output_stride=4 \--train_crop_size=513 \--train_crop_size=513 \--train_batch_size=4 \--training_number_of_steps="${NUM_ITERATIONS}" \--fine_tune_batch_norm=true \--tf_initial_checkpoint="${INIT_FOLDER}/deeplabv3_pascal_train_aug/model.ckpt" \--train_logdir="${TRAIN_LOGDIR}" \--dataset_dir="${PASCAL_DATASET}"

6、eval.py 进行验证

python "${WORK_DIR}"/eval.py \--logtostderr \--eval_split="val" \--model_variant="xception_65" \--atrous_rates=6 \--atrous_rates=12 \--atrous_rates=18 \--output_stride=16 \--decoder_output_stride=4 \--eval_crop_size=513 \--eval_crop_size=513 \--checkpoint_dir="${TRAIN_LOGDIR}" \--eval_logdir="${EVAL_LOGDIR}" \--dataset_dir="${PASCAL_DATASET}" \--max_number_of_evaluations=1

7、vis.py 生成预测图

python "${WORK_DIR}"/vis.py \--logtostderr \--vis_split="val" \--model_variant="xception_65" \--atrous_rates=6 \--atrous_rates=12 \--atrous_rates=18 \--output_stride=16 \--decoder_output_stride=4 \--vis_crop_size=513 \--vis_crop_size=513 \--checkpoint_dir="${TRAIN_LOGDIR}" \--vis_logdir="${VIS_LOGDIR}" \--dataset_dir="${PASCAL_DATASET}" \--max_number_of_iterations=1

8、export_model.py 导出训练模型

python "${WORK_DIR}"/export_model.py \--logtostderr \--checkpoint_path="${CKPT_PATH}" \--export_path="${EXPORT_PATH}" \--model_variant="xception_65" \--atrous_rates=6 \--atrous_rates=12 \--atrous_rates=18 \--output_stride=16 \--decoder_output_stride=4 \--num_classes=21 \--crop_size=513 \--crop_size=513 \--inference_scales=1.0

Windows 上 DeepLab v3+ 训练自己的数据集相关推荐

Deeplab V3+训练自己数据集全过程
Deeplab V3+训练过程 0. 参考链接 1. 制作数据集 1.1. 制作json文件. 1.2. 批量转换 json--png 1.3. 数据集目录制作 1.4. 生成tfrecord 2. ...
图像语义分割python_图像语义分割 —利用Deeplab v3+训练VOC2012数据集
原标题:图像语义分割 -利用Deeplab v3+训练VOC2012数据集前言: 配置:windows10 + Tensorflow1.6.0 + Python3.6.4(笔记本无GPU) 源码: ...
Windows下使用Darknet训练自己的数据集（模型：yolov4-tiny、数据集：垃圾分类）
本文章主要介绍如何使用Darknet在windows下训练自己的数据集,其中模型使用的是yolov4-tiny,数据集使用的是自己垃圾分类数据集(需要的自取:在我上传的资源中有) PS:这是我的第一篇 ...
图像语义分割 —利用Deeplab v3+训练VOC2012数据集
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 前言: 配置:windows10 + Tensorflow1.6.0 + Python3.6. ...
【全网最详细yolov6】yoloV6调试记录（含训练自己的数据集及常见报错及解决方法）--持续更新ing
本文手把手教你如何调试最新的yolov6,复现运行COCO2017及训练自己的数据集,目前该项目刚发布,BUG会比较多,调起来一般不会那么顺利,本文含windows+ubuntu,并给出了一些常见问题 ...
Ubuntu服务器上用CornerNet-Squeeze训练自己的模型
Ubuntu服务器上用CornerNet-Squeeze训练自己的模型博主的上篇博客<Ubuntu服务器上搭建CornerNet-Lite环境>中已经详细阐述了如何在服务器上搭建Corn ...
Win10+YOLOv4/v3用yolo_mark标记数据集训练自己的模型
Win10+Yolov4用yolo_mark标记数据集训练自己的模型文章目录 1. 前言 2. darknet 3. yolo_mark 3.1 yolo_mark和opencv的下载 3.2 y ...
深度学习目标检测---使用yolov5训练自己的数据集模型（Windows系统）
目录 0 前言 1.从githab上克隆yolov5代码 1.1 yolov5网络project克隆 1.2 项目代码结构的整体介绍 1.3 深度学习环境的配置和安装yolov5所需要的库 2. ...
视频教程-Windows版YOLOv4目标检测实战：训练自己的数据集-计算机视觉
Windows版YOLOv4目标检测实战:训练自己的数据集大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多 ...

Windows 上 DeepLab v3+ 训练自己的数据集

Windows 上 DeepLab v3+ 训练自己的数据集相关推荐

最新文章

热门文章