语义分割IOU的计算（搭建自己的语义分割平台deeplabV3+）
前言
在上一篇主要了解了语义分割 ，实例分割 ，全景分割的区别 ，以及labelme标注的数据进行转换 ，这边文章主要是通过deeplabV3+ 构建自己的语义分割平台
一 、deeplabV3+
上图所示 ，是deeplabV3+的主体框架 ，简单来说就是编码 ，解码的过程 。将输入的图片通过DCNN深度卷积神经网络 ，获得两个有效的特征层（浅层）（深层）对深层特征层进行ASPP（利用不同膨胀率的膨胀卷积进行特征提取 ，然后对特征进行堆叠 ，通过1X1卷积调整通道数 ，得到最终的特征）将高语义的特征信息经过上采样与浅层特征进行特征融合 ，在进行3X3的卷积 ，然后通过1*1卷积进行通道数的调整 ，调整成num_class（分类数）进行上采样使得最终输出层 ，宽高与输入图片一样 ，得到每一个像素点的每一个种类 。
二 、数据准备
1.我们首先要对数据进行一些处理
JPEGImages 存放的是图片
SegmentationClass 存放的是mask掩码图像
ImageSets 存放是一些txt文件
三 、修改代码
1.根目录下的mypath.py文件
2.dataloaders\datasets创建自己的数据集文件hat.py
复制这一路径下的pascal.py文件
3.dataloaders/utils.py
4.dataloaders/__init__.py
5.train.py
四 、开始训练
一些主要的参数
然后就可以直接训练了：
也可以搭载服务器进行训练 ，可以看我之前的文章 。五 、测试
训练完成之后 ，就可以进行测试了 ，下面直接看代码 。
import torch from modeling.deeplab_v3_50_modify_256 import deeplab_v3_50 import glob import cv2 import os from modeling.deeplab import * from PIL import Image from torchvision import transforms from dataloaders.utils import * from utils.saver import save_colored_mask num_class=3 path = test_image out_path=out_image test_images = glob.glob(os.path.join(path,"*.jpg")) composed_transforms = transforms.Compose([transforms.ToTensor()]) totensor = transforms.ToTensor() model=DeepLab(num_classes=num_class,backbone=drn) model.load_state_dict(torch.load(rD:\xiangmu\deeplaV3_run\run_hat\hat\deeplab-drn\model_best.pth.tar)[state_dict]) model.eval() def Normalize(img,mean,std): img = np.array(img).astype(np.float32) img /= 255.0 img -= mean img /=std return img for test_image in test_images: name=os.path.basename(test_image) name=name.replace(jpg,png) img = Image.open(test_image) img_norm = Normalize(img,mean=(0.485, 0.456, 0.406),std=(0.229, 0.224, 0.225)) img_resize = cv2.resize(img_norm,(513,513)) compose = composed_transforms(img_resize).unsqueeze(0) out = model(compose) pred=torch.argmax(out,1)[0].numpy() H,W=img_norm.shape[0],img_norm.shape[1] pred_orgin=cv2.resize(pred,(W,H),interpolation=cv2.INTER_NEAREST) out_file=os.path.join(out_path,name) save_colored_mask(pred_orgin,out_file) print(save {} 测试完成.format(out_file))测试的结果：
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！