- 性能情况 Performance
- 所需环境 Environment
- 注意事项 Attention
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- miou计算 miou
- 参考资料 Reference
unet并不适合VOC此类数据集,其更适合特征少,需要浅层特征的医药数据集之类的。
训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mIOU |
---|---|---|---|---|
VOC12+SBD | unet_voc.h5 | VOC-Val12 | 512x512 | 55.74 |
tensorflow-gpu==1.13.1
keras==2.1.5
unet_voc.h5是基于VOC拓展数据集训练的。 unet_medical.h5是使用示例的细胞分割数据集训练的。 在使用时需要注意区分。
训练所需的unet_voc.h5和unet_medical.h5可在百度网盘中下载。
链接: https://pan.baidu.com/s/1NIA3pOWYjseFI7Ofv6QoCg 提取码: f38i
VOC拓展数据集的百度网盘如下:
链接: https://pan.baidu.com/s/1BrR7AUM1XJvPWjKMIy2uEw 提取码: vszf
1)、下载完库后解压,如果想要利用voc训练好的权重进行预测,在百度网盘或者release下载unet_voc.h5,放入model_data,运行即可预测。
img/street.jpg
可完成预测。
2)、利用video.py可进行摄像头检测。
1)、下载完库后解压,如果想要利用医药数据集训练好的权重进行预测,在百度网盘或者release下载unet_medical.h5,放入model_data,修改unet.py中的model_path和num_classes;
_defaults = {
"model_path" : 'model_data/unet_medical.h5',
"model_image_size" : (512, 512, 3),
"num_classes" : 2,
"blend" : True,
}
运行即可预测。
img/cell.png
可完成预测。
a、按照训练步骤训练。
b、在unet.py文件里面,在如下部分修改model_path、backbone和num_classes使其对应训练好的文件;model_path对应logs文件夹下面的权值文件。
_defaults = {
"model_path" : 'model_data/unet_voc.h5',
"model_image_size" : (512, 512, 3),
"num_classes" : 21,
"blend" : True,
}
c、运行predict.py,输入
img/street.jpg
可完成预测。
d、利用video.py可进行摄像头检测。
a、将我提供的voc数据集放入VOCdevkit中(无需运行voc2unet.py)。
b、在train.py中设置对应参数,默认参数已经对应voc数据集所需要的参数了,所以只要修改backbone和model_path即可。
c、运行train.py进行训练。
a、本文使用VOC格式进行训练。
b、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的SegmentationClass中。
c、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
d、在训练前利用voc2unet.py文件生成对应的txt。
e、注意修改train.py的num_classes为分类个数+1。
f、运行train.py即可开始训练。
a、下载VGG的预训练权重到model_data下面。
b、按照默认参数运行train_medical.py即可开始训练。
参考miou计算视频和博客。
https://github.com/ggyyzm/pytorch_segmentation
https://github.com/bonlime/keras-deeplab-v3-plus