deeplab v3+在pascal_voc 2012数据集上进行训练

本文主要是介绍deeplab v3+在pascal_voc 2012数据集上进行训练，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

概述

前边我曾经写了一篇名为《语义分割之deeplab v3+ 》的文章，在那篇文章中我主要讲了deeplab v3+的原理--当然主要也就是论文上边的内容。因此在开始阅读本篇文章之前，建议首先阅读一下上边那篇文章。

本文我主要讲环境搭建以及pascal_voc_2012的训练以及可视化相关的内容。关于deeplab v3+迁移学习部分的内容--即如何使用deeplab v3+训练自己的个人数据，我后续后单独写一篇文章来讲。好，话不多少，我们下边正式开始。

环境搭建

关于环境搭建部分，其实官方给了一些说明，感兴趣可以参考官方说明《Installation》。虽然说官方给了环境搭建的指南，但是某些细节部分它并没有具体进行说明，因此如果我们只是一味按照官方说明来搭建环境的话，中间也可能会出现这样或者那样的问题。因此，在该部分我会以官方的指南作为主体，结合自己在搭建环境过程中的一些细节问题，来记录deeplab v+环境搭建的整个过程。

第一步创建python环境

使用conda创建python环境，应该是我们复现算法的时候必须先做的一步。通过conda创建的新环境我们事先和本地环境的隔离，可以更摆弄各种变量(😄 )。

关于conda安装的部分内容，我这里就不在进行详述，网上有许多相关的教程。在这里我就简单说一下如何使用conda创建满足deeplab v3+算法运行的基础环境。

执行如下命令,创建python3.6基础环境：

conda create -n deeplab python=3.6

其中 -n后边的参数指的是环境的名称，此处我使用的是deeplab，你可以换成任意你喜欢的名称。
等号后边的3.6指的是创建python环境的版本，此处建议使用python3.6(因为我之前使用3.7总出现各种各样的错误)。

执行完成之后会出现如下执行结果

输入y之后基础环境就创建完成。

然后通过命令

conda activate deeplab

进入到刚刚创建的名字为deeplab的环境中。

执行的结果如下：

从图中我们可以看到执行完成之后，括号里边的名称由base变成了环境名称(deeplab)。

至此python的基础环境搭建完成。

第二步安装依赖

Numpy
Pillow 1.0
tf Slim (which is included in the "tensorflow/models/research/" checkout)
Jupyter notebook
Matplotlib
Tensorflow(建议使用1.14，不推荐使用2.0以上版本，否则后边总出各种问题)

安装TensorFlow：

执行如下命令(二选一)：

# 使用cpu版本
pip install tensorflow==1.14
# 使用GPU版本
pip install tensorflow-gpu

安装python依赖库(安装默认版本即可)

sudo apt-get install python-pil python-numpy
pip install --user jupyter
pip install --user matplotlib
pip install --user PrettyTable

第三步设置python的依赖路径

由于官方给的deeplab代码是在一个TensorFlow的model库中，因此它的代码使用了一些其他位置的代码文件。如果不进行环境变量的设置，在运行的过程中会报“slim模块或者deeplab模块找不到的错误”。因此我们需要执行如下命令对代码所用的依赖路径进行设置：

#进入代码的research目录里边
cd ~/models/research
# 将slim以及deeplab目录添加到python的依赖环境目录中
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim:`pwd`/deeplab

首先执行命令之前必须要保证在代码的research目录中。

接着我们执行如下命令，来对环境进行测试，看环境是否已经满足要求。

# 进入/research/deeplab目录下
cd ~/models/research/deeplab
# 执行model_test.py
python model_test.py

如果执行过程中没有出现错误或者异常，并且最终出现如下结果，则证明基础环境搭建成功。

训练与可视化

在前边，我们基础环境搭建完成之后，我们便可以进行训练以及可视化操作。由于pascal voc 2012是官方认定的测试集之一，因此官方给了一个脚本，直接运行之后，可以自动下载预训练权重，训练，评估，以及对结果进行可视化等一系列步骤。

执行命令如下：

#在tensorflow/models/research/deeplab目录下执行
bash local_test.sh

执行完成之后我们进入deeplab/datasets目录下

我们发现多了一个名为pascal_voc_seg的目录，该目录里面包含了pascal端原始数据集、预训练权重、导出的checkpoint文件、以及训练结果等。

下边我们对其常用的目录进行一些说明

tfrecord

目录名称	含义
exp	结果文件夹，包含训练后的权重、评估的结果、可视化后的图片等
init_models	下载的预训练权重位置
tfrecord	转换成的tfrecord文件所在目录
VOCdevkit	pascal voc 2012原本的数据集