DeepLabV3+训练自定义数据集实例（1）

1.下载数据集

在这里面，用的是狗猫数据集中的猫数据的一部分，官方下载地址为：https://www.kaggle.com/c/dogs-vs-cats/data

2.使用labelme最新版打标签

我使用了11个猫的图像数据来制作，制作完成后如下图：

3.采用改进的json_to_mask批量生成标签，制作成为标准数据集

# -*- coding: utf-8 -*-import argparse
import base64
import json
import os
import os.path as ospimport imgviz
import PIL.Imagefrom labelme.logger import logger
from labelme import utils
from skimage import img_as_ubyte
import cv2json_file = "/home/lw/data/mydata/"list_path = os.listdir(json_file)for i in range(0, len(list_path)):path = os.path.join(json_file, list_path[i])if os.path.isfile(path) & path.endswith('.json'):data = json.load(open(path))imageData = data.get('imageData')if not imageData:imagePath = os.path.join(os.path.dirname(json_file), data['imagePath'])with open(imagePath, 'rb') as f:imageData = f.read()imageData = base64.b64encode(imageData).decode('utf-8')img = utils.img_b64_to_arr(imageData)  # 原始图像label_name_to_value = {'_background_': 0}for shape in sorted(data['shapes'], key=lambda x: x['label']):label_name = shape['label']if label_name in label_name_to_value:label_value = label_name_to_value[label_name]else:label_value = len(label_name_to_value)label_name_to_value[label_name] = label_valuelbl, _ = utils.shapes_to_label(img.shape, data['shapes'], label_name_to_value)image_dir=osp.join(osp.dirname(json_file),"image")print image_dir# 建立image文件夹if not osp.exists(image_dir):os.mkdir(image_dir)PIL.Image.fromarray(img).save(osp.join(image_dir, data['imagePath'])) #保存原图mask_dir=osp.join(osp.dirname(json_file),"mask")# 建立image文件夹if not osp.exists(mask_dir):os.mkdir(mask_dir) #utils.lblsave(osp.join(mask_dir, 'label1.png'), lbl) #三通道标签mask_dst = img_as_ubyte(lbl)cv2.imwrite((osp.join(mask_dir,os.path.splitext(list_path[i])[0]) + '.png'), mask_dst) #二值化标签 full_dir=osp.join(osp.dirname(json_file),"full")# 建立image文件夹if not osp.exists(full_dir):os.mkdir(full_dir)    lbl_viz = imgviz.label2rgb(label=lbl, img=imgviz.asgray(img),  loc='rb')PIL.Image.fromarray(lbl_viz).save(full_dir + '/' +os.path.splitext(list_path[i])[0]+ '_label_viz.png') #label的可视化图像PIL.Image.fromarray(img).save(full_dir + '/' + data['imagePath']) #保存原图cv2.imwrite(full_dir + '/' + os.path.splitext(list_path[i])[0] + '.png', mask_dst) #二值化标签
#
for i in range(0, len(list_path)):path = os.path.join(json_file, list_path[i])if os.path.isfile(path) & path.endswith('.jpg'): os.remove(path)

执行完成后，生生的数据集目录所下图所示：

image存放的是原图

mask存放的是标签

full 存放的是原图，标签图和三通道标签图

4，判断标签是否正确

# -*- coding: utf-8 -*-import cv2
import matplotlib.pyplot as plt#文件地址
imageAddress="/home/lw/data/mydata/full/0.png"
img=cv2.imread(imageAddress)
print(img.shape)plt.imshow(img)
plt.show()

用代码显示出标签图，用鼠标移动到相应位置，看一下左下角的值是否变化。

5，分训练集与验证集

新建index目录，分别建立train.txt，trainval.txt, val.txt

将训练和验证图片的名字分别放入train.txt, val.txt

6，生成tfrecord数据

在终端进入/models/research ，在该路径下，执行官方程序自带的build_voc2012_data.py

首先在mydatah目录下建立新目录tfrecord，然后，执行：

python deeplab/datasets/build_voc2012_data.py \--image_folder="/home/lw/data/mydata/image" \--semantic_segmentation_folder="/home/lw/data/mydata/mask" \--list_folder="/home/lw/data/mydata/index" \--image_format="jpg" \--label_format="png" \--output_dir="/home/lw/data/mydata/tfrecord"

DeepLabV3+训练自定义数据集实例（1）相关推荐

目标检测第6步：YOLOv5（5.0）如何在Colab中训练自定义数据集？（更新时间：2022.3.22）
(请先看这篇文章:本博打开方式!!!请详读!!!请详读!!!请详读!!!_Cat-CSDN博客) 如果看完这篇博文,你的问题还是没有解决,那么请关注我的公众号,后台发消息给我吧,当天回复! 目录一. ...
CenterNet2实战：手把手带你实现使用CenterNet2训练自定义数据集
1.CenterNet2 介绍论文地址:https://arxiv.org/abs/2103.07461 GitHub地址:https://github.com/xingyizhou/CenterN ...
MMDetection 快速开始，训练自定义数据集
本文将快速引导使用 MMDetection ,记录了实践中需注意的一些问题. 环境准备基础环境 Nvidia 显卡的主机 Ubuntu 18.04 系统安装,可见制作 USB 启动盘,及系统安装 ...
基于MMRotate训练自定义数据集做旋转目标检测 2022-3-30
本文目录简述 1.MMrotate下载 2.环境安装 3.自定义数据集制作 3.1 roLabelImg 打标签 3.2 生成DOTA数据集格式的标签 3.3 数据集裁剪(split) 4.修改配置 ...
【windows10】使用pytorch版本deeplabv3+训练自己数据集
目录序言开发环境一.准备数据集二.修改配置三.开始训练四.模型测试序言最近工作需要用到语义分割,跑了一个deeplabv3+的模型,deeplabv3+是一个非常不错的语义分割模型,使 ...
图像语义分割实战：TensorFlow Deeplabv3+ 训练自己数据集
文章目录前言一.环境配置二.训练过程 1.引入库 2.数据集准备转换为 VOC 格式的数据集 Convert to 灰度图 Convert to tfrecord 3.训练前代码准备 4.主要 ...
Scaled-YOLOv4 快速开始，训练自定义数据集
代码: https://github.com/ikuokuo/start-scaled-yolov4 Scaled-YOLOv4 代码: https://github.com/WongKinYiu/S ...
模糊度判断：史上最详细图像质量评价（IQA）-训练自定义数据集--第三节
这章节我会讲解的是我在工作上自己开发的项目,模糊度判断,该项目我是将图像质量评价论文–hypernet网络移植到mmclassification中进行图片质量评估,若有地方说错的我会第一时间纠正,如果 ...
Pytorch移植Deeplabv3训练CityScapes数据集详细步骤
源代码链接: https://github.com/fregu856/deeplabv3#paperspace 这个源代码相对简单,可以用来仔细看下,学习思想. 环境配置源代码使用的是pytorch ...

DeepLabV3+训练自定义数据集实例（1）

DeepLabV3+训练自定义数据集实例（1）相关推荐

最新文章

热门文章