windows训练自己的语义分割

建议去ubuntu

我们开始

我这有2个版本

一个是deeplabv3-plus-pytorch

链接：https://pan.baidu.com/s/1R1vWf1T6bPQMP7zKTsdCgQ
提取码：a3ei

一个是unet 下面是连接

mirrors / bubbliiiing / unet-pytorch · CODE CHINA

是没有权重的提前下载

官网的权重链接: 百度网盘请输入提取码提取码: c3c2

然后就是制作数据集，

使用deeplabv3+训练自己数据集（迁移学习） - vcjmhg - 博客园 (cnblogs.com)

这个连接，看着做。我这2个不用转tfrecorde的格式

害怕我以后忘记

在python 终端

pip install labelme

activate labelme

labelme

标注工具上面是命令

开始标注，我就不展示了，网上有大把的教程。

我们标志好的文件这样放到时候可以方便我们在训练的时候直接拿。

开始跑第一个脚本 path放的是上面的json的路径

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\\31319\\Desktop\\data\\json'
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)

跑完你可以看见 1_json 文件这个里面有4个东西

我们在跑第2个脚本

path 是这些1_json 文件

output 就是我们之前新建的文件夹

import os
path = 'C:/Users/31319/Desktop/data/json/'
output='C:\\Users\\31319\\Desktop\\data\\1/'
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")

下载源码

打开C:\Users\31319\Desktop\unet-pytorch-main\VOCdevkit\VOC2007

JPEGImages

放原图

SegmentationClass

放png 也就是我们那个1文件夹

在这个地方我们把我们的第一3个脚本拿出来

跑一下这个脚本代码

import os
import random
random.seed(0)segfilepath=r'C:\Users\31319\Desktop\unet-pytorch-main\VOCdevkit\VOC2007\SegmentationClass'
saveBasePath=r"C:\Users\31319\Desktop\unet-pytorch-main\VOCdevkit\VOC2007\ImageSets\Segmentation"#----------------------------------------------------------------------#
#   想要增加测试集修改trainval_percent
#   修改train_percent用于改变验证集的比例
#----------------------------------------------------------------------#
trainval_percent=1
train_percent=0.9temp_seg = os.listdir(segfilepath)
total_seg = []
for seg in temp_seg:if seg.endswith(".png"):total_seg.append(seg)num=len(total_seg)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)  print("train and val size",tv)
print("traub suze",tr)
ftrainval = open(os.path.join(saveBasePath,'trainval.txt'), 'w')
ftest = open(os.path.join(saveBasePath,'test.txt'), 'w')
ftrain = open(os.path.join(saveBasePath,'train.txt'), 'w')
fval = open(os.path.join(saveBasePath,'val.txt'), 'w')  for i  in list:  name=total_seg[i][:-4]+'\n'  if i in trainval:  ftrainval.write(name)  if i in train:  ftrain.write(name)  else:  fval.write(name)  else:  ftest.write(name)  ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

把权重放在C:\Users\31319\Desktop\unet-pytorch-main\model_data

打开train.py 找到num_classes 我的是一个类别所以要1+1 也就是类别+1

那个权重路径

开始运行这是我的一个报错

解决在头文件加

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

在次训练

还有一个报错就是

之前遇到的

解决

开始测试

这是我们训练的权重

打开 unet 修改这个地方

打开终端输入 python predict.py img/1.jpg

在输入你要测试图片的路径

开始查看性能

在改

直接跑get-miou

就可以查看

看好31，32的路径

windows训练自己的语义分割相关推荐

Halcon 深度学习之语义分割预处理案例解析
语义分割预处理文章目录语义分割预处理前言一.预处理的目的是什么? 1.设置图像预处理的参数,此部分参数后续会写入到训练模型当中,具体参数信息如下图 2.得到语义分割的文件,用于后续的训练当 ...
深度学习-语义分割总结
翻译自qure.ai 什么是语义分割对图片的每个像素都做分类. 较为重要的语义分割数据集有:VOC2012 以及 MSCOCO . 有哪几种方法传统机器学习方法:如像素级的决策树分类,参考Text ...
弱监督语义分割--Object Region Mining with Adversarial Erasing
Object Region Mining with Adversarial Erasing: A Simple Classification to Semantic Segmentation Appr ...
笔记：基于DCNN的图像语义分割综述
写在前面:一篇魏云超博士的综述论文,完整题目为<基于DCNN的图像语义分割综述>,在这里选择性摘抄和理解,以加深自己印象,同时达到对近年来图像语义分割历史学习和了解的目的,博古才能通今!感 ...
CVPR2019| 亚洲微软研究院、阿德莱德论文：结构知识蒸馏应用语义分割
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散今天介绍一篇来自阿德莱德大学.亚洲微软研究院.北航的CVPR2019关于语义分割的论文. 本文研究了利用大型网络训练 ...
HALCON 21.11：深度学习笔记---语义分割/边缘提取(12)
HALCON 21.11:深度学习笔记---语义分割/边缘提取(12) HALCON 21.11.0.0中,实现了深度学习方法. 本章介绍了如何使用基于深度学习的语义分割,包括训练和推理阶段. 通过语 ...
HALCON 20.11：深度学习笔记(12)---语义分割
HALCON 20.11:深度学习笔记(12)--- 语义分割 HALCON 20.11.0.0中,实现了深度学习方法. 本章解释了如何使用基于深度学习的语义分割,包括训练和推理阶段. 通过语义分割, ...
*基于类平衡自我训练的无监督域自适应用于语义分割
基于类平衡自我训练的无监督域自适应用于语义分割摘要:最近的深度网络实现了最先进的性能在各种语义分割任务中.尽管有这样的进步,但是这些模型在现实世界中面临挑战,它们存在很大的差别在已标签训练/源文件和 ...
让机器“一叶知秋”：弱监督视觉语义分割
编者按:西汉刘安的<淮南子·说山训>中有这样一段话: "见一叶落,而知岁之将暮: 睹瓶中之冰,而知天下之寒." 这两句话显示了人见微而知著的能力,人对这个世界的认知,是 ...

windows训练自己的语义分割

windows训练自己的语义分割相关推荐

最新文章

热门文章