做东西，最重要的就是动手了，所以这篇文章动手跑了一个fcn32s和fcn8s以及deeplab v3+的例子，这个例子的数据集选用自动驾驶相关竞赛的kitti数据集， FCN8s在训练过程中用tensorflow2.0自带的评估能达到91%精确率, deeplab v3+能达到97%的准确率。
这篇文章适合入门级选手，在文章中不再讲述fcn的结构，直接百度就可以搜到。
文章使用的是tensorflow2.0框架，该框架集成了keras，在模型的训练方面极其简洁，不像tf1.x那么复杂，综合其他深度学习框架，发现这个是最适合新手使用的一种。
文章中用到的库函数，参数等均可在tensorflow2.0 api中查找到。
文章的代码在github可以获取，地址：https://github.com/fengshilin/tf2.0-FCN
文章的结构如下：
1.数据的下载与分析
一般深度学习的教程都使用官方的数据集进行训练，这样省去很多步骤，训练过程很简单，易于初学者的学习。对于CNN等分类算法也不无不可，但是对于语义分割这一类像素级别的分类，用官方的例子，就不便于对模型的输入与输出的理解，像素级别的算法需要输入的label为类别，而往往拿到的label都是像素值。所以文章中用kitti竞赛的未做过处理数据集来做训练。
在做模型训练的时候一般需要对数据集进行分析，查看label的结构，以及影像的特点，以此确定对影像做哪些数据增强。（数据增强可以用python的库imgaug，现在可以先不看这个库怎么用，先跑通模型再研究imgaug的使用）
数据的下载
测试使用的是kitti数据集（https://pan.baidu.com/s/1n46UXqpl2-Yc_DaXSrj7XA
, 提取码：3s6k ），数据下载好后可以看一下数据结构，在dataroad/training目录下有一个gt_image2与image2目录，分别存放标签与图片。
查看training中的文件可以发现，gt_image2中命名规则为*_road_.png*或者*_lane_.png*。
其中lane表示自己车道，road表示所有车道。所以对一张图可能同时又road与lane两张label。跑模型时先忽略lane的数据。
其中um表示只有一条道路分割线的道路，umm表示有多个道路分割线的道路，uu表示无道路分割线的道路。
注意： 图片的大小是不一致的，在训练模型时需要将其resize到一致的大小再进行训练。
可以看到影像与road lable的一一对应如下：
模型结果展示
用deeplab的模型在测试集上的结果：
准确率
开始
建议用python3.6版本，至少需要python3.x版本。
安装好python并配置好环境后，安装需要的库。
anaconda版本
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.0.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scipy==1.0.0
python版本
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.0.0
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple scipy==1.0.0
使用gpu跑模型会快很多，所以推荐用GPU，安装gpu的步骤可以参看博客。
点击文章开头，文章结构中的连接可跳至其他章节。