1.数据准备：VOC2012数据集，initmodel文件夹（预训练模型），SegmentationClassAug数据
2.训练部分：训练部分没什么需要改动的，也就改一下选择的配置文件。在config文件夹里有关于coco和voc数据的配置参数，可以根据自己的实际情况来修改。
训练前要把数据集的路径修改成自己数据集所在的位置，路径最好不要有中文路径，否则的话训练的时候会发现loss一直是0.这是因为在读数据集的时候代码使用的是cv2.imread,使用这种方法来读图，路径错误或者有中文的时候不会 报错，但独到的图片是None
如果路径有中文可以修改下面的代码，将utils文件夹里面的dataset.py里面的cv2.imread改成cv2.imdecode(注释的代码）
到这里训练部分就结束了，正常训练就可以了
3.测试部分：
训练完之后会生成一个final.pth的模型文件，在如下位置：
测试之前要修改一下配置文件，将weight对应的路径改成模型所在的路径
然后运行test.py文件，当batch_size_val为1时，代码不会报错。当batch_size_val>1时，运行代码就会报错：RuntimeError: stack expects each tensor to be equal size, but got [366, 500] at entry 0 and [333, 500] at entry 1
这个报错原因就是在测试的时候mode="val",而当mode="val"的时候，dataset.py里面返回的数据有6个，多了一个raw_label。这个raw_label就是原始的mask图，由于原图大小是不一致的，所以在使用Dataload的时候，Dataload内部在返回前会对一个batch的数据进行stack操作，而由于大小不一致，故报错。
解决方法：
在使用DataLoader的时候，后面加上collate_fn=detect_collate.
detect_collate是自己编写的一个函数，前面已经说了，当mode="val"的时候dataset返回6个数据：所以自己写的函数也是返回6个。通过看代码可以看到返回结果的时候只有ori_label没有进行stack操作，这就是前面说的大小不一致不能 进行stack操作。（主要是在test.py里面这个ori_label并没有太大的用处，所以就不对它进行其他操作了，如果需要ori_label的话也可以在函数里面对它进行处理然后再进行stack操作，然后再返回结果）。这时候返回的ori_label是一个列表。
由于返回的ori_label是一个列表，所以还需要对test.py进行一些小修改才能正常运行，注释掉如下代码就ok了：
