图像分割FCN项目实战：测试和数据集训练

1.代码地址

https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_segmentation/fcn
作者视频教程：https://b23.tv/VRSuEmi

---

2.ResNet50和ResNet101文件下载

fcn_resnet50: https://download.pytorch.org/models/fcn_resnet50_coco-1167a1af.pth
fcn_resnet101: https://download.pytorch.org/models/fcn_resnet101_coco-7ecb50ca.pth

---

3.VOC2012数据集的下载

Pascal VOC2012 train/val数据集下载地址：
http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar

---

4.文件结构

其中自己添加了一部分文件：便于训练和测试

GitHub上作者本人给出文件解释：

  ├── src: 模型的backbone以及FCN的搭建
  ├── train_utils: 训练、验证以及多GPU训练相关模块
  ├── my_dataset.py: 自定义dataset用于读取VOC数据集
  ├── train.py: 以fcn_resnet50(这里使用了Dilated/Atrous Convolution)进行训练
  ├── train_multi_GPU.py: 针对使用多GPU的用户使用
  ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试
  ├── validation.py: 利用训练好的权重验证/测试数据的mIoU等指标，并生成record_mAP.txt文件
  └── pascal_voc_classes.json: pascal_voc标签文件

---

5.首先测试一张图片

测试predict.py文件中：


修改完成之后就可以右击进行测试了。

---

6.训练VOC2012数据集

注：这个数据集有1.89GB，所以对我们CPU电脑配置来说，训练很难，后面再介绍使用Google的Colab进行训练。
首先配置一些参数和数据集的放置：train.py文件



右击train.py文件进行训练：

注：有GPU最好。我这里使用的是CPU，就不继续训练下去了。

---

7.Google Colab进行训练

（1）准备好Google账号

（2）上传数据集和代码到云盘硬件上

上传的过程比较慢，加上数据集也比较大，所以请读者耐心等待。

（3）打开Colab官网

https://colab.research.google.com/

（4）新建笔记本.ipynb和命名

（5）更换运行时类型（CPU->GPU）

（6）连接云盘硬件

from google.colab import drive
drive.mount('/content/gdrive')

（7）解压数据集

连接上云盘硬件之后，将看到gdrive，将其中我们上传的文件fcn拖拽到根目录下（/content/），和我们平时拖拽的方式一样的，当然我是这样做的，如果你自己熟悉复制命令，也可以将文件复制到根目录下。

右击刷新一下，如果网比较差的话，等一会儿在根目录才显示出来。

!tar -xvf fcn/data/VOCtrainval.tar

右击刷新一下，可以看到数据集文件在根目录下，所以将数据集文件拖拽到data文件下：

解压完数据压缩包之后就是对train.py文件中的一一些地方做修改。




修改之后：Crtl+S保存

（8）训练

!python fcn/train.py