自己研究课题涉及到图像语义分割，所以最近复现了Deeplabv3+，在KITTI数据集上进行实验，kitti的语义分割数据集是按照cityspace的数据集制作的所有可以用cityspaces的训练模型来预测kitti的图像。

Github代码地址：https://github.com/VainF/DeepLabV3Plus-Pytorch
原文地址：https://arxiv.org/pdf/1802.02611.pdf

1.环境配置

1.1笔者环境

Ubuntu 18.04
cuda 9.0 cudnn7.6
Anaconda3
gcc 4.8

conda list 如下图：
接下来创建虚拟环境，配置上述环境

1.2 代码环境配置

创建虚拟环境：conda create -n deeplabv3+ python=3.7
启动安装环境：conda/source activate deeplabv3+
安装requirements.txt：pip install -r requirements.txt

requirements.txt如下：

查看是否安装成功：
1、通过conda list
2、代码检测：

import torch
print（torch.__version__)
print(torch.cuda.is_available())

输出pytorch版本号和True，即配置成功
注：其余环境可以在运行程序报错后依次pip安装，cuda无法调用的话，检查Pytorch对应Cuda和cudnn版本

1.3 下载数据集和预训练权重

（1）Kitti数据集下载：
官网主页：http://www.cvlibs.net/datasets/kitti/index.php
Kitti原文（数据集种类介绍）：http://www.cvlibs.net/publications/Geiger2013IJRR.pdf
本文实验数据集网盘链接：raw_data 2011_09_29_drive_0004
提取码：2hy6

（2）预训练权重下载
腾讯微云：https://share.weiyun.com/qqx78Pv5
（本文只用到 best_deeplabv3plus_mobilenet_cityscapes_os16.pth）
下载后，在工程文件夹中新建checkpoints文件夹，将权重放在该文件夹下

2. 预测

2.1 单张图片预测

 1. cd 到工程文件夹下2. 终端运行：python predict.py --input xxx.png  --dataset cityscapes --model deeplabv3plus_mobilenet --ckpt checkpoints best_deeplabv3plus_mobilenet_cityscapes_os16.pth --save_val_results_to test_results3. xxx.png为单张预测图片的路径4. best_deeplabv3plus_mobilenet_cityscapes_os16.pth为预训练权重路径5. 预测结果保存在test_results文件夹下

2.2 文件夹下所有图片预测

 1. 与预测单张图片类似，只需将图片路径改为文件夹路径2. 终端运行：python predict.py --input xxx（文件夹路径）  --dataset cityscapes --model deeplabv3plus_mobilenet --ckpt checkpoints /best_deeplabv3plus_mobilenet_cityscapes_os16.pth --save_val_results_to test_results

2.3 预测过程展示

3. 结果展示

单张图片预测效果：

预测文件夹下所有图片：

参考致谢：https://blog.csdn.net/dushib/article/details/124192665

【图像语义分割】DeepLabv3+(Pytorch版) 源码复现—Kitti数据集相关推荐

手把手教你用Unet实现语义分割（Pytorch版）
代码来源:https://github.com/milesial/Pytorch-UNet 1.搭建环境开始搭建环境之前一定要仔细阅读readme 我选择的是Without Docker,那么我将遵 ...
Deformable ConvNets v2 Pytorch版源码讲解_2
接着上一章的来讲,上一章主要是介绍了一下可变形卷积v1和v2,红色字都是基于源码来的.那么这一篇文章就分析一下整个代码流程是怎么样的.代码是Pytorch版的,这里附上Github地址:https:/ ...
【图像分割】萤火虫算法图像聚类分割【含Matlab源码 2106期】
⛄一.萤火虫算法图像聚类分割简介 1 萤火虫算法的基本原理 1.1 萤火虫算法的数学表述根据萤火虫算法的仿生原理,萤火虫算法的数学描述如下,萤火虫个体的相对发光强度可由式(2)确定式中:rij为萤 ...
【图像分割】基于matlab萤火虫算法图像聚类分割【含Matlab源码 2106期】
⛄一.萤火虫算法图像聚类分割简介 1 萤火虫算法的基本原理 1.1 萤火虫算法的数学表述根据萤火虫算法的仿生原理,萤火虫算法的数学描述如下,萤火虫个体的相对发光强度可由式(2)确定式中:rij为萤 ...
图像语义分割方法研究进展
全监督学习的图像语义分割方法研究进展简介 1 全监督学习的图像语义分割方法 1.1 基于全卷积的图像语义分割方法 1.2 基于编码器解码器结构的图像语义分割方法 1.3 基于注意力机制的图像语义分割 ...
毕业设计 U-Net遥感图像语义分割（源码+论文）
文章目录 0 项目说明 1 研究目的 2 研究方法 3 研究结论 4 论文目录 5 项目源码 6 最后 0 项目说明 **基于 U-Net 网络的遥感图像语义分割 ** 提示:适合用于课程设计或毕业设 ...
Pytorch：图像语义分割-FCN, U-Net, SegNet, 预训练网络
Pytorch: 图像语义分割-FCN, U-Net, SegNet, 预训练网络 Copyright: Jingmin Wei, Pattern Recognition and Intelligen ...
从零开始的图像语义分割：FCN快速复现教程（Pytorch+CityScapes数据集）
从零开始的图像语义分割:FCN复现教程(Pytorch+CityScapes数据集) 前言一.图像分割开山之作FCN 二.代码及数据集获取 1.源项目代码 2.CityScapes数据集三.代码复 ...
Pytorch实现FCN图像语义分割网络
针对图像的语义分割网络,本节将介绍PyTorch中已经预训练好网络的使用方式,然后使用VOC2012数据集训练一个FCN语义分割网络. 一.使用预训练好的语义分割网络 PyTorch提供了已预训练好的 ...

【图像语义分割】DeepLabv3+(Pytorch版) 源码复现—Kitti数据集

目录