deeplab 訓練自己的數據集

首先感謝教程  http://blog.csdn.net/ruotianxia/article/details/78331964 很全面很詳細

1.配置好deeplab_v2         source code:https://bitbucket.org/aquariusjay/deeplab-public-ver2/src 配置過程不做描述了。。

2.建立一個項目文件夾，文件夾里包括子文件夾config feature feature2 list log model res 為了方便可以復制這個git里的voc2012后做修改 https://github.com/xmojiao/deeplab_v2

3.數據的准備。 數據主要包括圖片以及圖片對應的label（也為png圖片），可以存放在任意你喜歡的位置，后續只需給定路徑即可。將數據分為訓練和驗證集制作list 具體格式參照voc2012 list文件夾中的格式。 為了后續測試最好也留一部分做test set。 另外還有val跟test的圖片id list 只要id 不要前綴

4.訓練的protxt文件存放在config/deeplab_largeFOV中，在這里使用的shell文件 run_pascal.sh 訓練故 trainval.pt 不用修改， 在solver.pt中可修改lr及模型存放位置等。。

5.修改run_pascal.sh

#!/bin/sh

## MODIFY PATH for YOUR SETTING
ROOT_DIR=/home/aigrp/kai/segmentation_data                       ##數據根目錄

CAFFE_DIR=/home/aigrp/kai/deeplab/deeplab-public-ver2            ##deeplab_v2根目錄
CAFFE_BIN=${CAFFE_DIR}/build/tools/caffe.bin                     ##deeplab caffe.bin

EXP=.

if [ "${EXP}" = "." ]; then
    NUM_LABELS=2                                                 ## 類別數
    DATA_ROOT=${ROOT_DIR}
else
    NUM_LABELS=0
    echo "Wrong exp name"
fi


## Specify which model to train
########### voc12 ################
NET_ID=deeplab_largeFOV


## Variables used for weakly or semi-supervisedly training
#TRAIN_SET_SUFFIX=train
TRAIN_SET_SUFFIX=_aug

#TRAIN_SET_STRONG=train
#TRAIN_SET_STRONG=train200
#TRAIN_SET_STRONG=train500
#TRAIN_SET_STRONG=train1000
#TRAIN_SET_STRONG=train750

#TRAIN_SET_WEAK_LEN=5000 
         
DEV_ID=3                ## 指定GPU
         
#####   

## Create dirs
      
CONFIG_DIR=${EXP}/config/${NET_ID}
MODEL_DIR=${EXP}/model/${NET_ID}
mkdir -p ${MODEL_DIR} 
LOG_DIR=${EXP}/log/${NET_ID}
mkdir -p ${LOG_DIR} 
export GLOG_log_dir=${LOG_DIR}
    
## Run 
    
RUN_TRAIN=1             ##1時train
RUN_TEST=0              ##1時test
RUN_TRAIN2=0
RUN_TEST2=0

## Training #1 (on train_aug)

if [ ${RUN_TRAIN} -eq 1 ]; then
    #
    LIST_DIR=${EXP}/list
    TRAIN_SET=train${TRAIN_SET_SUFFIX}
    if [ -z ${TRAIN_SET_WEAK_LEN} ]; then
                TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}
                comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
    else
                TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}_head${TRAIN_SET_WEAK_LEN}
                comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt | head -n ${TRAIN_SET_WEAK_LEN} > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
    fi
    #
    MODEL=${EXP}/model/${NET_ID}/init.caffemodel
    #
    echo Training net ${EXP}/${NET_ID}
    for pname in train solver; do
                sed "$(eval echo $(cat sub.sed))" \
                        ${CONFIG_DIR}/${pname}.prototxt > ${CONFIG_DIR}/${pname}_${TRAIN_SET}.prototxt
    done
        CMD="${CAFFE_BIN} train \
         --solver=${CONFIG_DIR}/solver_${TRAIN_SET}.prototxt \
         --gpu=${DEV_ID}"
        if [ -f ${MODEL} ]; then
                CMD="${CMD} --weights=${MODEL}"
        fi
        echo Running ${CMD} && ${CMD}
fi

## Test #1 specification (on val or test)

if [ ${RUN_TEST} -eq 1 ]; then
    #
    for TEST_SET in val; do
                TEST_ITER=`cat ${EXP}/list/${TEST_SET}.txt | wc -l`
                MODEL=${EXP}/model/${NET_ID}/test.caffemodel
                if [ ! -f ${MODEL} ]; then
                        MODEL=`ls -t ${EXP}/model/${NET_ID}/train_m2_iter_80000.caffemodel | head -n 1`
                fi
                #
                echo Testing net ${EXP}/${NET_ID}
                FEATURE_DIR=${EXP}/features/${NET_ID}
                mkdir -p ${FEATURE_DIR}/${TEST_SET}/fc8
        mkdir -p ${FEATURE_DIR}/${TEST_SET}/fc9
                mkdir -p ${FEATURE_DIR}/${TEST_SET}/seg_score
                sed "$(eval echo $(cat sub.sed))" \
                        ${CONFIG_DIR}/test.prototxt > ${CONFIG_DIR}/test_${TEST_SET}.prototxt
                CMD="${CAFFE_BIN} test \
             --model=${CONFIG_DIR}/test_${TEST_SET}.prototxt \
             --weights=${MODEL} \
             --gpu=${DEV_ID} \
             --iterations=${TEST_ITER}"
                echo Running ${CMD} && ${CMD}
    done
fi

## Training #2 (finetune on trainval_aug)

if [ ${RUN_TRAIN2} -eq 1 ]; then
    #
    LIST_DIR=${EXP}/list
    TRAIN_SET=trainval${TRAIN_SET_SUFFIX}
    if [ -z ${TRAIN_SET_WEAK_LEN} ]; then
                TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}
                comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
    else

修改后保存，運行 sh run_pascal.sh

過程比較緩慢。

6.訓練完成后再次修改run_pascal.sh test =1 做測試。

后續的crf部分還沒有在自己的數據集上嘗試，目前就到這里