Deeplab V3+训练自己数据集全过程

0. 参考链接

TensorFlow实战：Chapter-9上(DeepLabv3+代码实现)主要参考1

TensorFlow实战：Chapter-9下(DeepLabv3+在自己的数据集训练)主要参考2

图像语义分割 — 利用Deeplab v3+训练自己的数据 loss震荡解决办法

图像语义分割 —利用Deeplab v3+训练VOC2012数据集用VOC训练

deeplabv3+Xception讲了一些概念

图像语义分割 Deeplab v3+报错[predictions out of bound]解决办法

图像语义分割 DeepLab v3+ 训练自己的数据集

Tensorflow - 语义分割 Deeplab API 之 Demo 主要是对demo的讲解，这个博主的其他博客也很好

Deeplab v3 (2): train.py、eval.py源码分析

图像语义分割 DEEPLAB V3+的代码走读

---------------------------感谢这些博主的无私奉献！------------------------------

1. 制作数据集

使用labelme制作。

1.1. 制作json文件。

labelme的打开：

cxx@cxx-211:~/labelmemaster$ python labelme/main.py

1.2. 批量转换 json–png

[关于labelme做数据集]（下面所提到的三段代码在这个笔记里，注意更改）

1. 调整label.png为灰度图

2. 批量转换

    cxx@cxx-211:~/labelmemaster$ python labelme/cli/json_to_dataset.py /home/cxx/labelmemaster/data
    
    # 后者是json文件所在文件夹
   

   会生成5个文件，如：000000.png、000000_gt.png、000000_viz.png、info.yaml、label_names.txt。其中_gt.png是所需要的label文件。

3. 提取所有的_gt.png文件

    cxx@cxx-211:~/labelmemaster$ python get_gt.py 
   

1.3. 数据集目录制作

目录如下：

#from /home/cxx/Deeplab/models/research/deeplab/datasets/screw_seg/
    + image
    + mask
    + index 
        - train.txt
        - trainval.txt
        - val.txt
    + tfrecord 

1. iamge和mask

   1. iamge中存放所有的输入图片，包括训练、测试、验证集的图片

   2. mask中存放所有的labeled图片，，和输入图片（即iamge）是一一对应的

   • PS：这里需要注意一个点，image和mask的文件名应该一致，且全部小写，上一步产生的iamge后缀大写，用 rename ‘y/A-Z/a-z/’ * 修改，，mask文件名是000000_gt.png，用 rename ‘s/_gt.png/.png/’ ./* 修改，这样image和mska的文件名就能对应。对应代码如下：

     rename   's/\_gt.png/.png/' ./*  #修改后缀
     
     rename 'y/A-Z/a-z/' *   #全部小写
     

2. index

   该目录下包含三个.txt文件：

   train.txt：所有训练集的文件名称
   trainval.txt：所有验证集的文件名称
   val.txt：所有测试集的文件名称
   

这三个文件的生成文件是/home/cxx/Deeplab/models/research/deeplab/datasets/screw_seg/train_data