本文主要介绍根据github tensorflow/models中官方代码来训练deeplab v3+
源代码: https://github.com/tensorflow/models/tree/master/research/deeplab
配置deeplab v3
- Clone 源代码, https://github.com/tensorflow/models.git
- 根据官方文档进行安装，https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/installation.md
这里有几个需要注意的地方:
(1) cuda 9.0 & tensorflow 1.6以上版本
(2) 需要将models/research/slim路径导入到PYTHONPATH环境变量中，这个是因为deeplab中的一些工具比如multigrid使用的是slim中实现的
export PYTHONPATH=$PYTHONPATH:/path-to/models/research/slim
(3) 然后进行测试就可以得到一个结果，测试需要在models/research/下进行，这样很不方便，想要在models/research/deeplab下进行，可以在models/research/deeplab/model_test.py中导入deeplab模块就可以了，一个例子如下:
import sys
sys.path.append('/path-to/models/research')
- 1
- 2
测试成功，则表示基本配置成功，可以进行训练的配置了.
训练
参考官方文档: https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/cityscapes.md
以Cityscapes为例进行训练
- 将Cityscapes数据转为tfrecord，使用models/research/deeplab/datasets下的脚本: convert_cityscapes.sh、build_cityscapes_data.py、build_data.py脚本，这个需要改一下convert_cityscapes.sh中的一些路径，基本没有什么坑。这三个文件比较简单，可以读一下，之后做数据集基本就基于这三个文件了.
- 使用脚本进行训练
CHECKPOINT_PATH='/path-to/models/research/deeplab/initial-checkpoint/xception/model.ckpt'
TRAIN_DIR_PATH='/path-tomodels/research/deeplab/train_dir'
CITYSCAPES_PATH='/path-to/cityscapes/tfrecord'
python train.py \
--logtostderr \
--training_number_of_steps=90000 \
--train_split="train" \
--model_variant="xception_65" \
--atrous_rates=6 \
--atrous_rates=12 \
--atrous_rates=18 \
--output_stride=16 \
--decoder_output_stride=4 \
--train_crop_size=769 \
--train_crop_size=769 \
--train_batch_size=1 \
--dataset="cityscapes" \
--tf_initial_checkpoint="${CHECKPOINT_PATH}" \
--train_logdir="${TRAIN_DIR_PATH}" \
--dataset_dir="${CITYSCAPES_PATH}"
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 评估/测试
CHECKPOINT_PATH='/path-to/models/research/deeplab/initial-checkpoint/deeplabv3_cityscapes_train'
EVAL_DIR_PATH='/path-to/models/research/deeplab/eval_dir'
CITYSCAPES_PATH='/path-to/cityscapes/tfrecord'
python eval.py \
--logtostderr \
--eval_split="val" \
--model_variant="xception_65" \
--atrous_rates=6 \
--atrous_rates=12 \
--atrous_rates=18 \
--output_stride=16 \
--decoder_output_stride=4 \
--eval_crop_size=1025 \
--eval_crop_size=2049 \
--dataset="cityscapes" \
--checkpoint_dir="${CHECKPOINT_PATH}" \
--eval_logdir="${EVAL_DIR_PATH}" \
--dataset_dir="${CITYSCAPES_PATH}"
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
注意，如果使用官方提供的checkpoint，压缩包中是没有checkpoint文件的，需要手动添加一个checkpoint文件
4. 性能
根据官方提供的checkpoint
(1) official-deeplabv3+, tensorflow。eval OS: 16, scale: [1.0]
miou: 0.787332237
(2) official-deeplabv3+, tensorflow。eval OS: 16, scale: [0.75:0.25:1.75]
miou: 0.806650937
注意
由于是第一次跑tf,免不了有很多的坑
1. tf默认占用所有GPU的所有计算资源，通常可能如果只想使用其中一个，或者即可，可以在需要执行的脚本前面加上: CUDA_VISIBLE_DEVICES=gpu_id，即可
2. 如果使用官方提供的checkpoint，压缩包中是没有checkpoint文件的，需要手动添加一个checkpoint文件
本文主要介绍根据github tensorflow/models中官方代码来训练deeplab v3+
源代码: https://github.com/tensorflow/models/tree/master/research/deeplab
配置deeplab v3
- Clone 源代码, https://github.com/tensorflow/models.git
- 根据官方文档进行安装，https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/installation.md
这里有几个需要注意的地方:
(1) cuda 9.0 & tensorflow 1.6以上版本
(2) 需要将models/research/slim路径导入到PYTHONPATH环境变量中，这个是因为deeplab中的一些工具比如multigrid使用的是slim中实现的
export PYTHONPATH=$PYTHONPATH:/path-to/models/research/slim
(3) 然后进行测试就可以得到一个结果，测试需要在models/research/下进行，这样很不方便，想要在models/research/deeplab下进行，可以在models/research/deeplab/model_test.py中导入deeplab模块就可以了，一个例子如下:
import sys
sys.path.append('/path-to/models/research')
- 1
- 2
测试成功，则表示基本配置成功，可以进行训练的配置了.
训练
参考官方文档: https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/cityscapes.md
以Cityscapes为例进行训练
- 将Cityscapes数据转为tfrecord，使用models/research/deeplab/datasets下的脚本: convert_cityscapes.sh、build_cityscapes_data.py、build_data.py脚本，这个需要改一下convert_cityscapes.sh中的一些路径，基本没有什么坑。这三个文件比较简单，可以读一下，之后做数据集基本就基于这三个文件了.
- 使用脚本进行训练
CHECKPOINT_PATH='/path-to/models/research/deeplab/initial-checkpoint/xception/model.ckpt'
TRAIN_DIR_PATH='/path-tomodels/research/deeplab/train_dir'
CITYSCAPES_PATH='/path-to/cityscapes/tfrecord'
python train.py \
--logtostderr \
--training_number_of_steps=90000 \
--train_split="train" \
--model_variant="xception_65" \
--atrous_rates=6 \
--atrous_rates=12 \
--atrous_rates=18 \
--output_stride=16 \
--decoder_output_stride=4 \
--train_crop_size=769 \
--train_crop_size=769 \
--train_batch_size=1 \
--dataset="cityscapes" \
--tf_initial_checkpoint="${CHECKPOINT_PATH}" \
--train_logdir="${TRAIN_DIR_PATH}" \
--dataset_dir="${CITYSCAPES_PATH}"
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 评估/测试
CHECKPOINT_PATH='/path-to/models/research/deeplab/initial-checkpoint/deeplabv3_cityscapes_train'
EVAL_DIR_PATH='/path-to/models/research/deeplab/eval_dir'
CITYSCAPES_PATH='/path-to/cityscapes/tfrecord'
python eval.py \
--logtostderr \
--eval_split="val" \
--model_variant="xception_65" \
--atrous_rates=6 \
--atrous_rates=12 \
--atrous_rates=18 \
--output_stride=16 \
--decoder_output_stride=4 \
--eval_crop_size=1025 \
--eval_crop_size=2049 \
--dataset="cityscapes" \
--checkpoint_dir="${CHECKPOINT_PATH}" \
--eval_logdir="${EVAL_DIR_PATH}" \
--dataset_dir="${CITYSCAPES_PATH}"
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
注意，如果使用官方提供的checkpoint，压缩包中是没有checkpoint文件的，需要手动添加一个checkpoint文件
4. 性能
根据官方提供的checkpoint
(1) official-deeplabv3+, tensorflow。eval OS: 16, scale: [1.0]
miou: 0.787332237
(2) official-deeplabv3+, tensorflow。eval OS: 16, scale: [0.75:0.25:1.75]
miou: 0.806650937
注意
由于是第一次跑tf,免不了有很多的坑
1. tf默认占用所有GPU的所有计算资源，通常可能如果只想使用其中一个，或者即可，可以在需要执行的脚本前面加上: CUDA_VISIBLE_DEVICES=gpu_id，即可
2. 如果使用官方提供的checkpoint，压缩包中是没有checkpoint文件的，需要手动添加一个checkpoint文件