semantic segmentation based on deeplab v3 using facade dataset
代码参考来源：pytorch-deeplab-xception
使用以下代码创建标准数据集：
import os
import numpy as np
root = r"F:\chrome\facade\JPEGImages"
output = r"F:\chrome\facade\ImageSets\Segmentation"
filename = []
#从存放原图的目录中遍历所有图像文件
for root, dir, files in os.walk(root):
for file in files:
# print(file)
filename.append(file[:-4]) # 去除后缀，存储
#打乱文件名列表
np.random.shuffle(filename)
#划分训练集、测试集, 默认比例6:2:2
train = filename[:int(len(filename)*0.6)]
trainval = filename[int(len(filename)*0.6):int(len(filename)*0.8)]
val = filename[int(len(filename)*0.8):]
#分别写入train.txt, test.txt
with open(os.path.join(output,'train.txt'), 'w') as f1, open(os.path.join(output,'trainval.txt'), 'w') as f2,open(os.path.join(output,'val.txt'), 'w') as f3:
for i in train:
f1.write(i + '\n')
for i in trainval:
f2.write(i + '\n')
for i in val:
f3.write(i + '\n')
print('成功！')
标准数据集结果如下：
-facade(数据集名称)
- ImageSets
- Segmentation
- train.txt
- test.txt
- val.txt
- JPEGImages(原始图片)
- SegmentationClass(分割后图片)
- mypath.py 中加入自己数据集的路径
- 复制任意一份
dataset_name.py文件，并重命名为自己的数据集名称（以下以facade数据集为例）- 更改init函数：base_dir=Path.db_root_dir('facade')
- 更改__str__(self)函数：return 'facede(split=' + str(self.split) + ')'
- 修改dateloaders目录下
utils.py- 添加自己数据集的函数，例如
get_facade_labels() - 按照类别增加颜色数组
- 在
decode_segmap函数内添加代码，其中n_classes是分割的类别数
- 添加自己数据集的函数，例如
- 在dataloaders目录下修改
__init__.py- import facade
- 按其它数据集的格式，增加facade数据集处理代码
- 在同级目录中修改train.py，添加自己数据集的名称
python train.py --backbone mobilenet --lr 0.007 --workers 1 --epochs 50 --batch-size 8 --gpu-ids 0 --checkname deeplab-mobilenet
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent