【人工智能 图像分割 原创首发】第四章 开始训练数据

chun2495

到这里，前面的铺垫算是大体完成了，准备开始我们的数据训练吧！

三、训练自己的数据

3.1修改segmentation_dataset.py
/models-r1.13.0/research/deeplab/datasets中找到segmentation_dataset.py文件大概在111行的位置增加一个自己的数据集描述“_MYDATA”
然后在下面一个代码块注册数据集，下图光标处为上一步修改的数据集描述名称。


3.2修改Train_utils.py
在/models-r1.13.0/research/deeplab/utils中找到train_utils.py文件，修改109行，修改如下，作用是在使用预训练权重时候，不加载该logit层。

（这里需要考虑数据平衡问题，对于数据集本身，如果数据不平衡，即各类别a，b，background在数据集中占比不相同，比如background占比远大于a，b类别，则需要对权重进行分配，假设权重比为1:10:11，则在train_utils.py的大概70行修改权重。）这里我没有做。

3.3修改train.py
文件路径：/models-r1.13.0/research/deeplab/train.py 在125行左右，修改如下


3.4 下载预训练模型
https://github.com/tensorflow/mo ... /g3doc/model_zoo.md 中下载任意一个模型，在接下来的训练需要用。我下载的是这个

解压后放置在“models-r1.13.0/research/deeplab/g3doc/”下。

3.5训练指令

1. python deeplab/train.py \
   
2.     --logtostderr \
   
3.     --num_clones=1 \
   
4.     --training_number_of_steps=100 \
   
5.     --train_split="train" \
   
6.     --model_variant="xception_65" \
   
7.     --atrous_rates=6 \
   
8.     --atrous_rates=12 \
   
9.     --atrous_rates=18 \
   
10.     --output_stride=16 \
    
11.     --decoder_output_stride=4 \
    
12.     --train_crop_size=321 \
    
13.     --train_crop_size=321 \
    
14.     --train_batch_size=12 \
    
15.     --dataset="mydata" \
    
16.     --fine_tune_batch_norm=True \
    
17.     --tf_initial_checkpoint='/Users/zhengyuchun/Desktop/Anaconda/models-r1.13.0/research/deeplab/g3doc/deeplabv3_mnv2_pascal_trainval/model.ckpt-30000.index' \
    
18.     --train_logdir='/Users/zhengyuchun/Desktop/Anaconda/models-r1.13.0/research/deeplab/exp/mydata_train/train/' \
    
19.     --dataset_dir='/Users/zhengyuchun/Desktop/Anaconda/semantic_segmentation/data_tfrecord/tfrecord/'

复制代码

#这里只需要把路径改为自己的路径就可以。
其中：
num_clones：用2个gpu进行训练所以设置成2，默认为1。
train_crop_size：裁剪完成的图片大小。对于参数的说明：
①　不得小于 [321, 321]
②　(crop_size - 1)/4 = 整数
③　将crop_size设置为[256, 256]，结果不会好，因为其有ASPP（atrous spatial pyramid pooling)模块，如果图片过小，到feature map时没有扩张卷积的范围大了，所以要求一个最小值
rain_batch_size：batch尺寸，如要训练BN层，batch_size值最好大于12，如果显存不够，可调整crop_size大小，但不得小于[321, 321]。
fine_tune_batch_norm：当batch_size大于12时，设置为True。
tf_initial_checkpoint：修改成自己的预训练权重路径，我使用的是xception_65
train_logdir：训练产生的文件存放路径。

3.6可视化输出
在终端输入指令

1. python deeplab/vis.py \
   
2.     --logtostderr \
   
3.     --vis_split="val" \
   
4.     --model_variant="xception_65" \
   
5.     --atrous_rates=6 \
   
6.     --atrous_rates=12 \
   
7.     --atrous_rates=18 \
   
8.     --output_stride=16 \
   
9.     --decoder_output_stride=4 \
   
10.     --vis_crop_size=512 \
    
11.     --vis_crop_size=512 \
    
12.     --dataset="mydata" \
    
13.     --checkpoint_dir='/Users/zhengyuchun/Desktop/Anaconda/models-r1.13.0/research/deeplab/exp/mydata_train/train/' \
    
14.     --vis_logdir='/Users/zhengyuchun/Desktop/Anaconda/models-r1.13.0/research/deeplab/exp/mydata_train/vis/' \
    
15.     --dataset_dir='/Users/zhengyuchun/Desktop/Anaconda/semantic_segmentation/data_tfrecord/tfrecord/'

复制代码

其中：vis_split：设置为测试集val。
vis_crop_size：设置成数据集里面val数据的大小，比如我的是512*512。
dataset：设置为我们在segmentation_dataset.py文件设置的数据集名称。
dataset_dir：设置为创建的tfrecord路径。

3.7 tensorboard查看训练结果
由于训练结果存储在“/models-r1.13.0/research/deeplab/exp/mydata_train/train/”下
所以cd到research目录，执行命令，然后在浏览器输入cmd里的地址就可以查看训练结果了。

chenchaoting

能不能来个安卓版本的

zyqcome

哇，大佬，膜拜
谢谢分享

chun2495

chenchaoting 发表于 2020-10-13 13:37
能不能来个安卓版本的

安卓应该更简单，自己网上搜索下就可以转换过去了。