• DeepLabV3(Rethinking Atrous Convolution for Semantic Image Segmentation)
• • 该项目主要是来自pytorch官方torchvision模块中的源码
  • 环境配置：
  • 文件结构：
  • 预训练权重下载地址：
  • 数据集，本例程使用的是PASCAL VOC2012数据集
  • 训练方法
  • 注意事项
  • 如果对DeepLabV3原理不是很理解可参考我的bilibili
  • 进一步了解该项目，以及对DeepLabV3代码的分析可参考我的bilibili
  • Pytorch官方实现的DeeplabV3网络框架图

DeepLabV3(Rethinking Atrous Convolution for Semantic Image Segmentation)

该项目主要是来自pytorch官方torchvision模块中的源码

• https://github.com/pytorch/vision/tree/main/torchvision/models/segmentation

环境配置：

• Python3.6/3.7/3.8
• Pytorch1.10
• Ubuntu或Centos(Windows暂不支持多GPU训练)
• 最好使用GPU训练
• 详细环境配置见requirements.txt

文件结构：

  ├── src: 模型的backbone以及DeepLabv3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deeplabv3_resnet50为例进行训练
  ├── 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

预训练权重下载地址：

• 注意：官方提供的预训练权重是在COCO上预训练得到的，训练时只针对和PASCAL VOC相同的类别进行了训练，所以类别数是21(包括背景)
• deeplabv3_resnet50: https://download.pytorch.org/models/deeplabv3_resnet50_coco-cd0a2569.pth
• deeplabv3_resnet101: https://download.pytorch.org/models/deeplabv3_resnet101_coco-586e9e4e.pth
• deeplabv3_mobilenetv3_large_coco: https://download.pytorch.org/models/deeplabv3_mobilenet_v3_large-fc3c493d.pth
• 注意，下载的预训练权重记得要重命名，比如在train.py中读取的是deeplabv3_resnet50_coco.pth文件，
  不是deeplabv3_resnet50_coco-cd0a2569.pth

数据集，本例程使用的是PASCAL VOC2012数据集

• 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
• 如果不了解数据集或者想使用自己的数据集进行训练，请参考我的博文: https://blog.csdn.net/qq_37541097/article/details/115787033

训练方法

• 确保提前准备好数据集
• 确保提前下载好对应预训练模型权重
• 若要使用单GPU或者CPU训练，直接使用train.py训练脚本
• 若要使用多GPU训练，使用torchrun --nproc_per_node=8 train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量
• 如果想指定使用哪些GPU设备可在指令前加上CUDA_VISIBLE_DEVICES=0,3(例如我只要使用设备中的第1块和第4块GPU设备)
• CUDA_VISIBLE_DEVICES=0,3 torchrun --nproc_per_node=2 train_multi_GPU.py

注意事项

• 在使用训练脚本时，注意要将'--data-path'(VOC_root)设置为自己存放'VOCdevkit'文件夹所在的根目录
• 在使用预测脚本时，要将'weights_path'设置为你自己生成的权重路径。
• 使用validation文件时，注意确保你的验证集或者测试集中必须包含每个类别的目标，并且使用时只需要修改'--num-classes'、'--aux'、'--data-path'和'--weights'即可，其他代码尽量不要改动

如果对DeepLabV3原理不是很理解可参考我的bilibili

• https://www.bilibili.com/video/BV1Jb4y1q7j7

进一步了解该项目，以及对DeepLabV3代码的分析可参考我的bilibili

• https://www.bilibili.com/video/BV1TD4y1c7Wx

Pytorch官方实现的DeeplabV3网络框架图