1.将cityscapes数据集中gtFine文件中的labelIds.png中的id转换为trainId,并将转换后的文件放置到cityscapes_meta_ path中 # 创建id与trainId相对应的字典:id_to_trainId={label.id:label.trainIdforlabelinlabels}# vectorize:将函数向量化,用法:np.vectorize(函数)(待函数处理的数据)id_to_trainId_map_func=np...
--tf_initial_checkpoint='/lwh/models/research/deeplab/deeplabv3_cityscapes_train/model.ckpt' --train_logdir='/lwh/models/research/deeplab/exp/blackboard_train/train' --dataset_dir='/lwh/models/research/deeplab/datasets/blackboard/tfrecord' 1. 2. 3. 4. 5. 6. 设置train_crop_size原则: outp...
在源码./deeplab/datasets/data_generater.py中参考VOC/ADE20k/cityscapes数据集,增加自己的数据集种类及描述,例如我的数据集名称为road_voc_seg,包含训练集(train)90,验证集(val)14,只有road类,加上background共2类。则添加如下数据集信息: _ROAD_VOC_SEG_INFORMATION = DatasetDescriptor( splits_to_sizes={ ...
cityscapes_meta_path是你想要存放labelimg的图像位置,这里我直接将cityscapes_meta_path设置成和cityscapes_data_path相同路径。 之后运行 preprocess_data.py。等待一段时间后可以发现项目路径下多了一个label_imgs文件夹,里面存放了许多的mask图片。 2. 运行train.py ,运行之前也要做出一点修改。 修改一点model文件夹...
目的是在加载与训练的模型的时候不需要top,这个最好更改一下,因为你的类别跟cityscapes不同。 Train 万事具备只欠东风了。直接开始训练,训练的执行路径在models/research下面,我们运行: python3 deeplab/train.py \ --logtostderr \ --training_number_of_steps=300 \ ...
/lwh/models/research/deeplab/deeplabv3_cityscapes_train (2)类别不平衡修正 blackboard分割项目案例中的数据集,因为是3分类问题,其中background占了非常大的比例,设置的 权重比例为1,3,3, 注意:权重的设置对最终的分割性能有影响。权重的设置因数据集而异。
在目录models/research/deeplab//backbone/deeplabv3_cityscapes_train下解压预训练权重。 然后编辑训练指令: python deeplab/train.py \ --logtostderr \ --training_number_of_steps=1000 \ --train_split="train" \ --model_variant="xception_65" \ ...
train_logdir为检查点保存路径,使用官方提供的目录结构可保存在 cityscapes/exp/train_on_train_set/train 目录中。 使用xception_65 将output_stride设置为16,atrous_rates设置为 [6, 12, 18]。 dataset改为 cityscapes。dataset_dir为读取数据集的路径,及tfrecord保存路径。
(dataset.dataset_name) # exit() train_id_to_eval_id = None # if dataset.dataset_name == data_generator.get_cityscapes_dataset_name(): # tf.logging.info('Cityscapes requires converting train_id to eval_id.') # train_id_to_eval_id = _CITYSCAPES_TRAIN_ID_TO_EVAL_ID # Prepare for ...
Cityscapes数据集共有fine和coarse两套评测标准,前者提供5000张精细标注的图像,后者提供5000张精细标注外加20000张粗糙标注的图像。一般都是拿这5000张精细标注(gt fine)的样本集来进行训练和评估的,图片可分为train、val、test总共5000张,2975张训练图,500张验证图和1525张测试图,每张图片大小都是1024x2048。