Skip to content

Latest commit

 

History

History
72 lines (53 loc) · 3.11 KB

README.md

File metadata and controls

72 lines (53 loc) · 3.11 KB

Semantic-Segmentation语义分割模型在Keras当中的实现


大通知!

PSPnet-Keras重制版如下:
源码路径:https://github.com/bubbliiiing/pspnet-keras
视频地址:https://www.bilibili.com/video/BV1bz4y1f77C

PSPnet-Pytorch重制版如下:
源码路径:https://github.com/bubbliiiing/pspnet-pytorch
视频地址:https://www.bilibili.com/video/BV1zt4y1q7HH

PSPnet-Tensorflow2重制版如下:
源码路径:https://github.com/bubbliiiing/pspnet-tf2
视频地址:https://www.bilibili.com/video/BV1Wh411f7NU

Unet-Keras重制版如下:
源码路径:https://github.com/bubbliiiing/unet-keras
视频地址:https://www.bilibili.com/video/BV1St4y1r7hE

Unet-Pytorch重制版如下:
源码路径:https://github.com/bubbliiiing/unet-pytorch
视频地址:https://www.bilibili.com/video/BV1rz4y117rR

Unet-Tensorflow2重制版如下:
源码路径:https://github.com/bubbliiiing/unet-tf2

Deeplab-Keras重制版如下:
源码路径:https://github.com/bubbliiiing/deeplabv3-plus-keras

目录

  1. 所需环境 Environment
  2. 注意事项 Attention
  3. 数据集下载 Download
  4. 训练步骤 How2train
  5. 预测步骤 How2predict
  6. 参考资料 Reference

所需环境

tensorflow-gpu==1.13.1
keras==2.1.5

注意事项

该代码是我早期整理的语义分割代码,尽管可以使用,但是存在许多缺点。大家尽量可以使用重制版的代码,因为重制版的代码里面增加了很多新内容,比如添加了Dice-loss,增加了更多参数的选择,提供了VOC预训练权重等。

在2021年1月28重新上传了该库,给代码添加了非常详细的注释,该库仍然可以作为一个语义分割的入门库进行使用。

在使用前一定要注意根目录与相对目录的选取,这样才能正常进行训练。

数据集下载

斑马线数据集:
链接:https://pan.baidu.com/s/1uzwqLaCXcWe06xEXk1ROWw 提取码:pp6w

VOC数据集:
链接: https://pan.baidu.com/s/1Urh9W7XPNMF8yR67SDjAAQ 提取码: cvy2

训练步骤

  1. 准备好训练数据集,如果想要进行简单尝试,可以通过如上的斑马线数据集进行尝试;如果想要进行自己的数据集训练,可以参考制作自己的数据集的视频,进行制作
  2. 在完成数据集的准备后,利用pycharm或者vscode打开对应模型的文件夹,将数据集及其对应的train.txt文件复制到datasets2文件夹中
  3. 然后运行train.py进行训练。
  4. 大家关心的多分类的代码在Muiti_Class_deeplab_Mobile里。

预测步骤

  1. 除去Muiti_Class_deeplab_Mobile可以直接运行predict.py进行预测外,其它的模型均需要先完成训练才可以预测。
  2. 在完成训练后,将predict.py里面模型载入的权重更换成logs文件夹内的权值。
  3. 将想要预测的图片放入img文件夹。
  4. 运行predict.py即可开始预测。

Reference

image-segmentation-keras