cityscape 数据集 mmsegmentation训练记录
项目场景：
MMSegmentation 是一个基于 PyTorch 的开源语义分割工具箱。它是 OpenMMLab 项目的一部分。
主分支与PyTorch 1.5+一起使用。
源码下载
训练源码地址：训练源码下载点这里
预处理脚本地址：cityscapesscripts
数据集下载：各大数据集，链接内有cityscape数据集，需有教育邮箱注册下载
安装
请参考get_started.md进行安装和dataset_prepare.md进行数据集准备。
问题描述
1.导入各类包的问题
mmcv说明文件有步骤；有个比较容易出错的就是脚本文件中导入包from要从给定的文件目录里导入，如下图
2.图片格式转换（预处理）问题
在进行图片格式转换时，需先将数据集（gtFine、gtCoarse、leftImg8bit）与cityscapesscripts放至同一级目录下，否则会报错。如下：
目录放好后，仅需要根据个人更改两个文件：
在lable.py里，可以将自己不感兴趣的trainId设为255，ignoreInEval设为True即可更改分类的数量：
labels = [
# name id trainId category catId hasInstances ignoreInEval color
Label( 'unlabeled' , 0 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
Label( 'ego vehicle' , 1 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
Label( 'rectification border' , 2 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
Label( 'out of roi' , 3 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
Label( 'static' , 4 , 255 , 'void' , 0 , False , True , ( 0, 0, 0) ),
Label( 'dynamic' , 5 , 255 , 'void' , 0 , False , True , (111, 74, 0) ),
Label( 'ground' , 6 , 255 , 'void' , 0 , False , True , ( 81, 0, 81) ),
Label( 'road' , 7 , 0 , 'flat' , 1 , False , False , (128, 64,128) ),
Label( 'sidewalk' , 8 , 1 , 'flat' , 1 , False , False , (244, 35,232) ),
Label( 'parking' , 9 , 255 , 'flat' , 1 , False , True , (250,170,160) ),
Label( 'rail track' , 10 , 255 , 'flat' , 1 , False , True , (230,150,140) ),
Label( 'building' , 11 , 2 , 'construction' , 2 , False , False , ( 70, 70, 70) ),
Label( 'wall' , 12 , 3 , 'construction' , 2 , False , False , (102,102,156) ),
Label( 'fence' , 13 , 4 , 'construction' , 2 , False , False , (190,153,153) ),
Label( 'guard rail' , 14 , 255 , 'construction' , 2 , False , True , (180,165,180) ),
Label( 'bridge' , 15 , 255 , 'construction' , 2 , False , True , (150,100,100) ),
Label( 'tunnel' , 16 , 255 , 'construction' , 2 , False , True , (150,120, 90) ),
Label( 'pole' , 17 , 5 , 'object' , 3 , False , False , (153,153,153) ),
Label( 'polegroup' , 18 , 255 , 'object' , 3 , False , True , (153,153,153) ),
Label( 'traffic light' , 19 , 6 , 'object' , 3 , False , False , (250,170, 30) ),
Label( 'traffic sign' , 20 , 7 , 'object' , 3 , False , False , (220,220, 0) ),
Label( 'vegetation' , 21 , 8 , 'nature' , 4 , False , False , (107,142, 35) ),
Label( 'terrain' , 22 , 9 , 'nature' , 4 , False , False , (152,251,152) ),
Label( 'sky' , 23 , 10 , 'sky' , 5 , False , False , ( 70,130,180) ),
Label( 'person' , 24 , 11 , 'human' , 6 , True , False , (220, 20, 60) ),
Label( 'rider' , 25 , 12 , 'human' , 6 , True , False , (255, 0, 0) ),
Label( 'car' , 26 , 13 , 'vehicle' , 7 , True , False , ( 0, 0,142) ),
Label( 'truck' , 27 , 14 , 'vehicle' , 7 , True , False , ( 0, 0, 70) ),
Label( 'bus' , 28 , 15 , 'vehicle' , 7 , True , False , ( 0, 60,100) ),
Label( 'caravan' , 29 , 255 , 'vehicle' , 7 , True , True , ( 0, 0, 90) ),
Label( 'trailer' , 30 , 255 , 'vehicle' , 7 , True , True , ( 0, 0,110) ),
Label( 'train' , 31 , 16 , 'vehicle' , 7 , True , False , ( 0, 80,100) ),
Label( 'motorcycle' , 32 , 17 , 'vehicle' , 7 , True , False , ( 0, 0,230) ),
Label( 'bicycle' , 33 , 18 , 'vehicle' , 7 , True , False , (119, 11, 32) ),
Label( 'license plate' , -1 , -1 , 'vehicle' , 7 , False , True , ( 0, 0,142) ),
]
`
在createTrainIdLabelImgs.py中，将cityscapesPath设为该文件的上两级目录，如D:**\cityscapesscripts-master
3.error: unrecognized arguments:
在右上角点击edit configuration里面填写了parameters，但是在代码里把这个参数注释掉后就会无法识别。
总结
目前整理到的就这些，有什么疑问可以评论区互相探讨，一起进步呀！
附宝藏up主git网址：GitHub
cityscape 数据集 mmsegmentation训练记录相关推荐
- mmsegmentation 训练自制数据集全过程
1.简介 mmsegmentation是目前比较全面和好用的用于分割模型的平台,原始的github链接 https://github.com/open-mmlab/mmsegmentation 2.G ...
- TF之TFSlim：利用经典VGG16模型(InceptionV3)在ImageNet数据集基础上训练自己的五个图像类别数据集的训练过程记录
TF之TFSlim:利用经典VGG16模型(InceptionV3)在ImageNet数据集基础上训练自己的五个图像类别数据集的训练过程记录 目录 训练控制台显示 输出结果文件 训练控制台显示 输出结 ...
- mmsegmentation 训练自己的数据集
open-mmlab有许多非常实用的框架,其中目标检测的话mmdetection确实很实用.但语义分割的话当属mmsegmentation,这篇博客就是介绍如何用mmsegmentation训练自己的 ...
- MMSegmentation训练自己的分割数据集
首先确保在服务器上正常安装了MMSeg,注意安装完还需建立与自己的数据集之间的软连接,官方安装教程如下: https://github.com/open-mmlab/mmsegmentation/bl ...
- yolov3 训练及数据集准备【记录】
------------------------------ 本文仅供学习交流,如有错误,望交流指教 ------------------------------ yolov3 训练及数据集准备[记录 ...
- 在自己的数据集上训练CrowdDet过程记录
论文链接:https://readpaper.com/pdf-annotate/note?noteId=656650387498369024&pdfId=542662939605901312 ...
- FCN制作自己的数据集、训练和测试 caffe
原文:http://blog.csdn.net/zoro_lov3/article/details/74550735 FCN制作自己的数据集.训练和测试全流程 花了两三周的时间,在导师的催促下,把FC ...
- DL之DNN：自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、GC对比
DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练.GC对比 导读 神经网络算法封装为层级结构的作用.在神经网络算法中,通过将 ...
- 在MNIST数据集上训练一个手写数字识别模型
使用Pytorch在MNIST数据集上训练一个手写数字识别模型, 代码和参数文件 可下载 1.1 数据下载 import torchvision as tvtraining_sets = tv.dat ...
- ubuntu 从刷机到yolov5环境搭建训练记录
ubuntu 从刷机到yolov5环境搭建训练记录 这两天需要一个模型检测一些摄像头内容,使用yolov5训练了一个模型,记录一下. 1. 刷机 具体步骤不描述,网上很多. 刷机时遇到一个问题,原有系 ...
最新文章
- Laravel 速记表
- 远程控制-Farfli远控木马
- zoj3869 Ace of Aces zoj3880 Demacia of the Ancients（水）
- 在CAD中求出多条线段的线段总和
- jquery获取地址栏参数
- 【整理】CRISPR-Cas9用于病毒性传染病防控的最新进展
- Linux CPU使用率超过100%的原因
- 第九次java课堂笔记
- 2021年保育员（中级）考试及保育员（中级）考试总结
- 没考计算机水平怎么填6,“计算机水平”怎么填，没曾考级，只参加过大 – 手机爱问...
- 冯诺依曼计算机体系结构
- Linux 下各文件夹的结构说明及用途介绍
- 连夜看了30多篇改进YOLO的中文核心期刊 我似乎发现了一个能发论文的规律
- 具有实践精神的理论家；我们时代的达芬奇------高德纳访谈录
- Python使用LMDB（闪电内存映射数据库）
- 好消息与坏消息应该怎么说
- 没有模拟器是JavaScript做不到的~
- 楚留香服务器最多人,楚留香：你可能没想到，你所在服务器的背后还有这样的故事！...
- 如何使用Linux云服务器搭建Magento电子商务网站
- 天津大学质量管理与质量保证答案
热门文章
- excel单元格内容拆分_Excel技巧:帮你把单元格内容颠倒顺序显示
- 如何卸载CAD？怎么把CAD彻底卸载干净重新安装的方法
- 【深度理解】如何评价GAN网络的好坏？IS（inception score）和FID（Fréchet Inception Distance）
- Android设备上px(像素)、dpi(像素密度)、dip(密度无关像素)之间的关系
- DDR3各个频率详解
- 《数据库原理与应用》作业（1-0.5）
- JQUERY冻结table行或列js
- oracle的imp导入数据,初识oracle-imp导入
- 转录组测序之各类样品如何取样保存
- 使用Chrome inspect进行夜神模拟器里app的调试