使用deeplabv3+训练自己数据集(迁移学习)

微信扫一扫,分享到朋友圈

使用deeplabv3+训练自己数据集(迁移学习)

概述

在前边一篇文章,我们讲了如何复现论文代码,使用pascal voc 2012数据集进行训练和验证,具体内容可以参考 《deeplab v3+在pascal_voc 2012数据集上进行训练》 ,在本篇文章,我们主要讲述,如何对deeplab v3+进行迁移学习,也即如何使用deeplab v3+算法来训练个人的数据集。

1. 数据集准备

首先在开始之前我们先对数据集做一个简单的说明,由于 deeplabv3+ 使用的 TensorFlow 框架,并且为了提高训练的速度,因此在训练开始前,需要转换成 tfrecorde 类型的文件来进行训练,因此,我们直接仿照pascal voc 2012数据集的数据结构来制作数据集,这样我们在训练所需图片准备完成之后可以直接复用转换 tfrecorde 的脚本。

1.1 标注图片,获取json文件

古人有句话:兵马未动粮草先行,而对深度学习来说,粮草毫无疑问指的是训练的数据,毕竟我们最终的模型都是依靠数据来喂养出来的:dog:!因此选择一个趁手的标注工具很重要,此处我推荐使用 labelme ,标注起来相当方便。

下边我简单说一下 lableme安装方法 (此处建议使用Anconda来实现环境隔离)。

  1. 安装Ancodna环境,

    执行如下命令:

    conda create --name=labelme python=2.7(这一步python=*选择自己的Python版本)
    activate labelme
  2. 安装软件与依赖

    conda install pyqt
    pip install labelme
  3. 启动与使用

    activate labelme
    labelme

启动完成之后可以看到如下界面:

标注的时候,将物体用线条框起来即可,例如:

1.2 转换json,获取png图片

在图像标注完成之后,在我们对应设置的文件夹下有许多json,这些json文件记录了所标注图片的位置以及图片内容等信息,根据这些信息我们可以转换成训练所需要的mask图(此处是png格式的图片)。

虽然 labelme 中包含 labelme_json_to_dataset 来帮助我们将json图片转成png图片,但是该命令有一个巨大的缺点就是无法实现批量转换,因此需要我们自己写一个批量转换的脚本来辅助转换。

一个简单的转换脚本如下:

import os
#path = 'C:/Users/tj/Desktop/dd'  # path为labelme标注后的.json文件存放的路径
path = 'C:\\Users\\Administrator\\Desktop\\第五次数据集扩充\\labels'
json_file = os.listdir(path)
for file in json_file:
if(file.split('.')[1]=='json'):
os.system("labelme_json_to_dataset  %s" % (path + '/' + file))  #
# C:/soft/ev4/venv/Scripts/labelme_json_to_dataset.exe  为labelme_json_to_dataset.exe的路径  path + '/' + file 为读取.json路径
print(path + '/' + file)

通过该脚本每一个json文件都会生成一个以其名字命名的文件夹。

进入该文件我们可以看到有如下四个文件:

img.png
lable.png
label_names.txt
label_viz.png

其中第二个文件使我们所需要的用于训练的文件,因此我们需要将该文件整合重命名成其原来json文件的文件名(主要原因是保证和原图的文件名保持一致,便于后续训练)。

从文件夹中提取图片并重命名,我也简单写了一个脚本,可以用于参考,具体内容如下:

import os
path = 'c:\\Users\\Administrator\\Desktop\\temp\\'
output='c:\\Users\\Administrator\\Desktop\\output\\'
fileDirs=os.listdir(path)
for fileDir in fileDirs:
file=path+fileDir+"\\label.png"
if(os.path.exists(file)):
# 输出的文件直接以上层文件夹命名
end= len(fileDir);
fileName=fileDir[:end-5]
os.rename(file,output+fileName+".png")

此处处理完成我们便会的到一系列的mask图片,此时我们便可以着手数据集的制作。

1.3 制作数据集

正如前边所说,我们在制作数据集的时候仿照的是pascal voc 2012的数据集,因此需要创建预期类似文件夹结构。

  1. 我们首先在 models/research/deeplab/datasets 文件夹下为自己的训练集创建一个目录,目录名称即自己的训练集名称。执行如下命令:
cd ~/models/research/deeplab/datasets
mkdir mydataset
cd mydataset
  1. 创建与voc数据集类似的文件夹
# 存放mask文件
mkdir SegmentationClassRaw
# 存放原图
mkdir JPEGImages
# 存放数据集描述文件
mkdir Segmentation
# 存放预训练权重,如不需要预训练权重可不创建
mkdir tf_initial_checkpoint
# 训练权重保存目录
mkdir train_logs
# 评估以及测试结果的生成目录
mkdir vis
# 存放tfrecorde
  1. 将训练数据放到指定文件夹中:

    1. SegmentationClassRaw:存放mask文件,也就是前边我们所转换提取的png图片
    2. JPEGImages:存放训练集、验证集以及测试集的原始图片
    3. Segmentation:存放数据集描述文件,包含三个文件 train.txt 、t rainval.txtval.txt
      1. train.txt:记录训练集的图片名称
      2. trainval.txt:该文件中所记录的内容,后续既会被当做训练集来训练,后续也会被当做验证集来做验证
      3. val.txt用以记录验证集的图片名称
  2. 转换成tfrecorde文件。

    dataset 目录下,执行如下命令:

    python3 "build_voc2012_data.py" \
    --image_folder="${IMAGE_FOLDER}" \
    --semantic_segmentation_folder="${SEMANTIC_SEG_FOLDER}" \
    --list_folder="${LIST_FOLDER}" \
    --image_format="jpg" \
    --output_dir="${OUTPUT_DIR}"

​ 执行成功后,会在tfrecorde目录下出现如下文件,证明转换成功:

代码修改

models/research/deeplab/datasets 目录下:

  • remove_gt_colormap.py 修改的内容如下:

51行左右,

old_raw_pic=np.array(Image.open(filename))
#原来像素比为0:1:2:3乘以50之后变成0:50:100:150
raw_pic=old_raw_pic*50
return raw_pic
  • data_generator.py 中修改的内容:

104行左右

# has changed 增加数据集种类,以及训练验证集合的数量,修改物体类别3+1+1
_MYDATASET = DatasetDescriptor(
splits_to_sizes={
'train':392,
'trainval':98,
'val':5,
},
num_classes=5, # classes+label+ignore_label
ignore_label=255,
)
#has changed
_DATASETS_INFORMATION = {
'cityscapes': _CITYSCAPES_INFORMATION,
'pascal_voc_seg': _PASCAL_VOC_SEG_INFORMATION,
'ade20k': _ADE20K_INFORMATION,
'mydataset':_MYDATASET,
}

models/research/deeplab/utils

  • get_dataset_colormap.py 文件中

在第41行左右,增加训练种类

# has changed
_MYDATASET='mydataset'

在388行左右,直接使用pascal的colormap

#has changed
elif dataset == _MYDATASET:
return create_pascal_label_colormap()
  • train_utils.py 中修改的内容

153行左右,进行训练权重的修改。具体修改参考https://blog.csdn.net/jairana/article/details/83900226

# has changed
ignore_weight = 0
label0_weight = 1  # 对应background,mask中灰度值0
label1_weight = 10  # 对应a,mask中灰度值1
label2_weight = 10  # 对应b,mask中灰度值2
label3_weight = 10 # 对应c,mask中灰度值为3
not_ignore_mask = tf.to_float(tf.equal(scaled_labels, 0)) * label0_weight + \
tf.to_float(tf.equal(scaled_labels, 1)) * label1_weight + \
tf.to_float(tf.equal(scaled_labels, 2)) * label2_weight + \
tf.to_float(tf.equal(scaled_labels, 3)) * label3_weight + \
tf.to_float(tf.equal(scaled_labels, ignore_label)) * ignore_weight
tf.losses.softmax_cross_entropy(
train_labels,
tf.reshape(logits, shape=[-1, num_classes]),
weights=not_ignore_mask,
scope=loss_scope)
# end change

228行,排除列表中增加logits

exclude_list = ['global_step','logits']

在目录 models/research/deeplab/deprecated

  • segmentation_dataset.py 文件中

在90行,增加数据类别

#has changed
_MYDATASET= DatasetDescriptor(
splits_to_sizes={
'train':392,
'trainval':98,
'val':5,
},
num_classes=5,
ignore_label=255,#background、ignore_label、ignore_label,即label数+2
)

在128行左右,注册新数据集

_DATASETS_INFORMATION = {
'cityscapes': _CITYSCAPES_INFORMATION,
'pascal_voc_seg': _PASCAL_VOC_SEG_INFORMATION,
'ade20k': _ADE20K_INFORMATION,
# has changed
'mydataset':_MYDATASET
}

models/research/deeplab/train.py 目录下

158行左右,修改两个参数(使用所有的预训练权重,除了logits,因为如果是自己的数据集,对应的classes不同(这个我们前面已经设置不加载logits),可设置initialize_last_layer=False和last_layers_contain_logits_only=True),可参考https://blog.csdn.net/u011974639/article/details/80948990

# has changed
flags.DEFINE_boolean('initialize_last_layer',False,
'Initialize the last layer.')
flags.DEFINE_boolean('last_layers_contain_logits_only', True,
'Only consider logits as last layers or not.')

训练与验证

训练

执行如下命令开始进行训练:

python train.py \
--logtostderr \
--training_number_of_steps=5000 \
--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="513,513" \
--train_batch_size=12 \
--dataset="mydataset" \
--tf_initial_checkpoint='init_models/deeplabv3_pascal_train_aug/model.ckpt' \
--train_logdir='datasets/mydataset/train_logs' \
--dataset_dir='datasets/mydataset/tfrecord'

验证

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="1217,1921" \
--checkpoint_dir='models/research/deeplab/datasets/mydataset/train_logs' \
--eval_logdir='datasets/mydataset/eval' \
--dataset_dir='datasets/mydataset/tfrecord' \
--max_number_of_evaluations=1

遇到的如果问题与解决方案

  1. 无法找到slim。

    解决方法:进入 models/research 目录下执行

    export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim:`pwd`/deeplab\
  2. 数据格式不支持,检查是否注册了自己的数据格式

韩国探月计划稳步推进 2022年发射首颗绕月轨道探测器

上一篇

CG动画《生化危机:无限黑暗》概念原画 多种丧尸公开

下一篇

你也可能喜欢

使用deeplabv3+训练自己数据集(迁移学习)

长按储存图像,分享给朋友