# deeplabv3 plus

**Repository Path**: caishuyangyang/semantic-segmentation

## Basic Information

- **Project Name**: deeplabv3 plus
- **Description**: deeplabv3+语义分割测试
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-03-13
- **Last Updated**: 2023-05-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 视觉部分

## 一、所需依赖

1.配置linux环境，或conda环境

2.安装 opencv   `pip install opencv-python` +`pip install opencv-contrib-python` 或  `conda install opencv`

+ 注意：使用conda安装后的opencv，可能无法被IDE自动补齐（vscode 是这样，也有可能是配置问题）；而pip安装后的缺少 `cv2.aruco` 模块

3.安装 pytorch (记得选用支持gpu的版本，cpu真的带不动).

4.安装 labelme.

## 二、训练集的准备

1.进入 visual_ws ;

2.将需要标定的图片拷贝到 `Oridata` 下;

3.使用 labelme 对图像进行标定，生成的 `.json` 标签同样拷贝至 `Oridata` 下，名称与对应图像相同;

4.执行 `tools/_01JstoDs.py` 脚本，在 `Dataset/Train` 下生成训练集文件夹，该脚本自带文件名矫正，若仍然存在文件名问题，可执行 `tools/_03Rename.py` 脚本;

5.执行 `tools/_02GenerateVal.py` 脚本，在 `Dataset/Val` 下生成验证集文件夹（在执行前应确保 `Dataset/Val` 中不含其他文件）也可以直接从训练集里剪切一部分直接粘贴到里面.

## 三、训练

*先说一个很离谱的Bug，保存模型时没法整个保存下来，只能保存 state_dict，这就导致了在调用模型时得先将网络结构实例化，再加载权重数据。如果是拿 python 运行，其实影响不大，但尽量还是得解决一下.*

采用 deeplabv3+ 网络结构

依次执行 `src/_01Train.ipynb`单元格内代码即可.模型保存再 Model 下.

如果没安装  jupyter ,可以执行 `src/_01Train.py`

## 四、测试

执行 `_04testresult.py` 查看测试效果.