【DeepLabv3+】训练自己的数据集（小白版）

代码来源于代码
本地训练，设备3050

一、数据集准备

1.数据集创建
在原始的根目录VOCdevkit下创建数据集Crack500文件夹，下面再创建三个文件夹。

ImageSets下创建文件夹，命名为Segmentation。里面存放生成的txt文件
JPEGImages 放原始的图片
SegmentationClass 放原始图片对应的mask图片的png格式

2.数据集的处理
需要用到根目录下的voc_annotation.py，目的是获得训练用的train.txt以及val.txt。（自己的数据集需要进行这一步操作）
改为自己的数据集路径，一般为相对地址。

二、训练

1.改参数
在train.py文件中

主要修改：
num_classes
backbone
model_path
txt文件路径

这里是在VOCdevkit下新建的一个数据集Crack500，需要修改txt文件地址

同理，根目录下的utils>dataloader.py下的读取图像的路径也需要修改

2.运行train.py
3.结果存放在根目录下的logs文件夹下

4.运行get_miou.py
运行之前需要去deeplab.py里修改model_path、num_classes和backbone，
刚才运行好的pth文件在log里存放。

三、预测

训练结果预测需要用到两个文件，分别是deeplab.py和predict.py。
需要去deeplab.py里面修改model_path以及num_classes，这两个参数必须要修改。

model_path指向训练好的权值文件，在logs文件夹里。
num_classes指向检测类别的个数+1。

单张图片检测时，可以在predict.py里修改参数"mode=dir_predict"

原始图像放在img里，检测的图片放在img_out里，如下图所示。

可能遇到的报错

解决办法：
utils>callbacks.py下

参考文献：deeplabv3+