使用deeplabv3+训练自己数据集（迁移学习）

2024-02-02 03:48
文章标签 数据 学习 使用 训练 迁移 deeplabv3

本文主要是介绍使用deeplabv3+训练自己数据集（迁移学习），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

概述

在前边一篇文章，我们讲了如何复现论文代码，使用pascal voc 2012数据集进行训练和验证，具体内容可以参考《deeplab v3+在pascal_voc 2012数据集上进行训练》，在本篇文章，我们主要讲述，如何对deeplab v3+进行迁移学习，也即如何使用deeplab v3+算法来训练个人的数据集。

1. 数据集准备

首先在开始之前我们先对数据集做一个简单的说明，由于deeplabv3+使用的TensorFlow框架，并且为了提高训练的速度，因此在训练开始前，需要转换成tfrecorde类型的文件来进行训练，因此，我们直接仿照pascal voc 2012数据集的数据结构来制作数据集，这样我们在训练所需图片准备完成之后可以直接复用转换tfrecorde的脚本。

1.1 标注图片，获取json文件

古人有句话：兵马未动粮草先行，而对深度学习来说，粮草毫无疑问指的是训练的数据，毕竟我们最终的模型都是依靠数据来喂养出来的🐶！因此选择一个趁手的标注工具很重要，此处我推荐使用labelme，标注起来相当方便。

下边我简单说一下lableme的安装方法(此处建议使用Anconda来实现环境隔离)。

  1. 安装Ancodna环境，

    执行如下命令：

    conda create --name=labelme python=2.7(这一步python=*选择自己的Python版本)
activate labelme

  2. 安装软件与依赖

    conda install pyqt
pip install labelme

  3. 启动与使用

    activate labelme
labelme

启动完成之后可以看到如下界面：

image-20200927143131553

标注的时候，将物体用线条框起来即可，例如：

img

1.2 转换json，获取png图片

在图像标注完成之后，在我们对应设置的文件夹下有许多json，这些json文件记录了所标注图片的位置以及图片内容等信息，根据这些信息我们可以转换成训练所需要的mask图(此处是png格式的图片)。

虽然labelme中包含labelme_json_to_dataset来帮助我们将json图片转成png图片，但是该命令有一个巨大的缺点就是无法实现批量转换，因此需要我们自己写一个批量转换的脚本来辅助转换。

一个简单的转换脚本如下：

import os
#path = 'C:/Users/tj/Desktop/dd'  # path为labelme标注后的.json文件存放的路径
path = 'C:\\Users\\Administrator\\Desktop\\第五次数据集扩充\\labels'
json_file = os.listdir(path)
for file in json_file:if(file.split('.')[1]=='json'):os.system("labelme_json_to_dataset  %s" % (path + '/' + file))  #
# C:/soft/ev4/venv/Scripts/labelme_json_to_dataset.exe  为labelme_json_to_dataset.exe的路径  path + '/' + file 为读取.json路径print(path + '/' + file)

通过该脚本每一个json文件都会生成一个以其名字命名的文件夹。

image-20200927151507055

进入该文件我们可以看到有如下四个文件：

img.png
lable.png
label_names.txt
label_viz.png

其中第二个文件使我们所需要的用于训练的文件，因此我们需要将该文件整合重命名成其原来json文件的文件名(主要原因是保证和原图的文件名保持一致，便于后续训练)。

从文件夹中提取图片并重命名，我也简单写了一个脚本，可以用于参考，具体内容如下：

import os
path = 'c:\\Users\\Administrator\\Desktop\\temp\\'
output='c:\\Users\\Administrator\\Desktop\\output\\'
fileDirs=os.listdir(path)
for fileDir in fileDirs:file=path+fileDir+"\\label.png"if(os.path.exists(file)):# 输出的文件直接以上层文件夹命名end= len(fileDir);fileName=fileDir[:end-5]os.rename(file,output+fileName+".png")

此处处理完成我们便会的到一系列的mask图片，此时我们便可以着手数据集的制作。

1.3 制作数据集

正如前边所说，我们在制作数据集的时候仿照的是pascal voc 2012的数据集，因此需要创建预期类似文件夹结构。

  1. 我们首先在models/research/deeplab/datasets文件夹下为自己的训练集创建一个目录，目录名称即自己的训练集名称。执行如下命令：
cd ~/models/research/deeplab/datasets
mkdir mydataset
cd mydataset
  1. 创建与voc数据集类似的文件夹
# 存放mask文件
mkdir SegmentationClassRaw
# 存放原图
mkdir JPEGImages
# 存放数据集描述文件
mkdir Segmentation
# 存放预训练权重，如不需要预训练权重可不创建
mkdir tf_initial_checkpoint
# 训练权重保存目录
mkdir train_logs
# 评估以及测试结果的生成目录
mkdir vis
# 存放tfrecorde

  1. 将训练数据放到指定文件夹中：

    1. SegmentationClassRaw：存放mask文件，也就是前边我们所转换提取的png图片
    2. JPEGImages：存放训练集、验证集以及测试集的原始图片
    3. Segmentation:存放数据集描述文件，包含三个文件train.txt、trainval.txt、val.txt
      1. train.txt:记录训练集的图片名称
      2. trainval.txt：该文件中所记录的内容，后续既会被当做训练集来训练，后续也会被当做验证集来做验证
      3. val.txt用以记录验证集的图片名称

  2. 转换成tfrecorde文件。

    在dataset目录下，执行如下命令：

    python3 "build_voc2012_data.py" \--image_folder="${IMAGE_FOLDER}" \--semantic_segmentation_folder="${SEMANTIC_SEG_FOLDER}" \--list_folder="${LIST_FOLDER}" \--image_format="jpg" \--output_dir="${OUTPUT_DIR}"

​ 执行成功后，会在tfrecorde目录下出现如下文件，证明转换成功：

image-20200927164917463

代码修改

在models/research/deeplab/datasets目录下：

  • 在remove_gt_colormap.py修改的内容如下:

51行左右，

old_raw_pic=np.array(Image.open(filename))
#原来像素比为0:1:2:3乘以50之后变成0:50:100:150
raw_pic=old_raw_pic*50
return raw_pic
  • 在data_generator.py中修改的内容：

104行左右

# has changed 增加数据集种类，以及训练验证集合的数量，修改物体类别3+1+1
_MYDATASET = DatasetDescriptor(splits_to_sizes={'train':392,'trainval':98,'val':5,},num_classes=5, # classes+label+ignore_labelignore_label=255,
)
#has changed_DATASETS_INFORMATION = {'cityscapes': _CITYSCAPES_INFORMATION,'pascal_voc_seg': _PASCAL_VOC_SEG_INFORMATION,'ade20k': _ADE20K_INFORMATION,'mydataset':_MYDATASET,
}

在models/research/deeplab/utils下

  • 在get_dataset_colormap.py文件中

在第41行左右，增加训练种类

# has changed
_MYDATASET='mydataset'

在388行左右，直接使用pascal的colormap

#has changed
elif dataset == _MYDATASET:
return create_pascal_label_colormap()
  • 在train_utils.py中修改的内容

153行左右，进行训练权重的修改。具体修改参考https://blog.csdn.net/jairana/article/details/83900226

# has changedignore_weight = 0label0_weight = 1  # 对应background，mask中灰度值0label1_weight = 10  # 对应a，mask中灰度值1label2_weight = 10  # 对应b，mask中灰度值2label3_weight = 10 # 对应c,mask中灰度值为3not_ignore_mask = tf.to_float(tf.equal(scaled_labels, 0)) * label0_weight + \tf.to_float(tf.equal(scaled_labels, 1)) * label1_weight + \tf.to_float(tf.equal(scaled_labels, 2)) * label2_weight + \tf.to_float(tf.equal(scaled_labels, 3)) * label3_weight + \tf.to_float(tf.equal(scaled_labels, ignore_label)) * ignore_weighttf.losses.softmax_cross_entropy(train_labels,tf.reshape(logits, shape=[-1, num_classes]),weights=not_ignore_mask,scope=loss_scope)# end change

228行，排除列表中增加logits

exclude_list = ['global_step','logits']

在目录models/research/deeplab/deprecated下

  • segmentation_dataset.py文件中

在90行，增加数据类别

#has changed_MYDATASET= DatasetDescriptor(splits_to_sizes={'train':392,'trainval':98,'val':5,},num_classes=5,ignore_label=255,#background、ignore_label、ignore_label，即label数+2)

在128行左右，注册新数据集

_DATASETS_INFORMATION = {'cityscapes': _CITYSCAPES_INFORMATION,'pascal_voc_seg': _PASCAL_VOC_SEG_INFORMATION,'ade20k': _ADE20K_INFORMATION,# has changed'mydataset':_MYDATASET
}

在models/research/deeplab/train.py目录下

158行左右,修改两个参数(使用所有的预训练权重，除了logits，因为如果是自己的数据集，对应的classes不同(这个我们前面已经设置不加载logits),可设置initialize_last_layer=False和last_layers_contain_logits_only=True)，可参考https://blog.csdn.net/u011974639/article/details/80948990

# has changed
flags.DEFINE_boolean('initialize_last_layer',False,'Initialize the last layer.')flags.DEFINE_boolean('last_layers_contain_logits_only', True,'Only consider logits as last layers or not.')

训练与验证

训练

执行如下命令开始进行训练:

python train.py \--logtostderr \--training_number_of_steps=5000 \--train_split="train" \--model_variant="xception_65" \--atrous_rates=6 \--atrous_rates=12 \--atrous_rates=18 \--output_stride=16 \--decoder_output_stride=4 \--train_crop_size="513,513" \--train_batch_size=12 \--dataset="mydataset" \--tf_initial_checkpoint='init_models/deeplabv3_pascal_train_aug/model.ckpt' \--train_logdir='datasets/mydataset/train_logs' \--dataset_dir='datasets/mydataset/tfrecord'

验证

python 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="1217,1921" \--checkpoint_dir='models/research/deeplab/datasets/mydataset/train_logs' \--eval_logdir='datasets/mydataset/eval' \--dataset_dir='datasets/mydataset/tfrecord' \--max_number_of_evaluations=1

遇到的如果问题与解决方案

  1. 无法找到slim。

    解决方法：进入models/research目录下执行

    export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim:`pwd`/deeplab\

  2. 数据格式不支持，检查是否注册了自己的数据格式

这篇关于使用deeplabv3+训练自己数据集（迁移学习）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/669383。

相关文章

使用Python开发一个Ditto剪贴板数据导出工具

使用Python开发一个Ditto剪贴板数据导出工具

《使用Python开发一个Ditto剪贴板数据导出工具》在日常工作中,我们经常需要处理大量的剪贴板数据,下面将介绍如何使用Python的wxPython库开发一个图形化工具,实现从Ditto数据库中读... 目录前言运行结果项目需求分析技术选型核心功能实现1. Ditto数据库结构分析2. 数据库自动定位3
阅读更多...
Python yield与yield from的简单使用方式

Python yield与yield from的简单使用方式

《Pythonyield与yieldfrom的简单使用方式》生成器通过yield定义,可在处理I/O时暂停执行并返回部分结果,待其他任务完成后继续,yieldfrom用于将一个生成器的值传递给另一... 目录python yield与yield from的使用代码结构总结Python yield与yield
阅读更多...
Go语言使用select监听多个channel的示例详解

Go语言使用select监听多个channel的示例详解

《Go语言使用select监听多个channel的示例详解》本文将聚焦Go并发中的一个强力工具,select,这篇文章将通过实际案例学习如何优雅地监听多个Channel,实现多任务处理、超时控制和非阻... 目录一、前言：为什么要使用select二、实战目标三、案例代码：监听两个任务结果和超时四、运行示例五
阅读更多...
python使用Akshare与Streamlit实现股票估值分析教程（图文代码）

python使用Akshare与Streamlit实现股票估值分析教程（图文代码）

《python使用Akshare与Streamlit实现股票估值分析教程（图文代码）》入职测试中的一道题,要求:从Akshare下载某一个股票近十年的财务报表包括,资产负债表,利润表,现金流量表,保存... 目录一、前言二、核心知识点梳理1、Akshare数据获取2、Pandas数据处理3、Matplotl
阅读更多...
pandas数据的合并concat()和merge()方式

pandas数据的合并concat()和merge()方式

《pandas数据的合并concat()和merge()方式》Pandas中concat沿轴合并数据框（行或列）,merge基于键连接（内/外/左/右）,concat用于纵向或横向拼接,merge用于... 目录concat() 轴向连接合并(1) join='outer'，axis=0(2)join='o
阅读更多...
批量导入txt数据到的redis过程

批量导入txt数据到的redis过程

《批量导入txt数据到的redis过程》用户通过将Redis命令逐行写入txt文件,利用管道模式运行客户端,成功执行批量删除以Product*匹配的Key操作,提高了数据清理效率... 目录批量导入txt数据到Redisjs把redis命令按一条 一行写到txt中管道命令运行redis客户端成功了批量删除k
阅读更多...
Java使用Thumbnailator库实现图片处理与压缩功能

Java使用Thumbnailator库实现图片处理与压缩功能

《Java使用Thumbnailator库实现图片处理与压缩功能》Thumbnailator是高性能Java图像处理库,支持缩放、旋转、水印添加、裁剪及格式转换,提供易用API和性能优化,适合Web应... 目录1. 图片处理库Thumbnailator介绍2. 基本和指定大小图片缩放功能2.1 图片缩放的
阅读更多...
Python使用Tenacity一行代码实现自动重试详解

Python使用Tenacity一行代码实现自动重试详解

《Python使用Tenacity一行代码实现自动重试详解》tenacity是一个专为Python设计的通用重试库,它的核心理念就是用简单、清晰的方式,为任何可能失败的操作添加重试能力,下面我们就来看... 目录一切始于一个简单的 API 调用Tenacity 入门：一行代码实现优雅重试精细控制：让重试按我
阅读更多...
MySQL中EXISTS与IN用法使用与对比分析

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比
阅读更多...
SpringBoot多环境配置数据读取方式

SpringBoot多环境配置数据读取方式

《SpringBoot多环境配置数据读取方式》SpringBoot通过环境隔离机制,支持properties/yaml/yml多格式配置,结合@Value、Environment和@Configura... 目录一、多环境配置的核心思路二、3种配置文件格式详解2.1 properties格式（传统格式）1.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2