Tensoflow-程式碼實戰篇--Deeplab-V3+程式碼復現
一、參考資料：
二、準備工作：
環境：
環境： anaconda3 + python3 + tensorflow-gpu1.8 機器：1 塊 GTX1070（8G）
git程式碼：
git clone https://github.com/tensorflow/models
程式碼一共有400+M，可以自己直接去上面給的官方githup裡面下載；
資料集：
1、資料集下載：先從Cityscapes website上下載資料集。這需要註冊賬號(最好用帶edu的郵箱註冊).下載資料集 leftImg8bit_trainvaltest.zip (11GB)和對應的標註集 gtFine_trainvaltest.zip (241MB)。
2、資料集工作目錄：
這裡是我的本地資料以及資料處理程式碼存放目錄；cityscapesscripts 是下載的資料集處理程式碼，詳細下步； gtfine和leftimagbbit是剛剛下載的資料解壓得到；tfrecord是TensorFlow講資料集轉換得到的格式，詳細見下下步； 3、克隆cityscapesscripts 的指令碼程式碼：
git clone https://github.com/mcordts/cityscapesScripts.git
根據本地所設地址，對程式碼進行微調：
修改/home/jerry/dataset/cityscapes/cityscapesscripts/preparation/createTrainIdLabelImgs.py
4、生成CityScapes的TFRecords
（1）在上面下載的程式碼裡，我的本地儲存目錄/home/jerry/Deeplab/research/deeplab/datasets/convert_cityscapes.sh找到並修改convert_cityscapes.sh檔案。將其中的CITYSCAPES_ROOT設定到對應的cityscapes主目錄：
sh convert_cityscapes.sh
3、訓練
1、下載預訓練模型
tar -zxvf deeplabv3_cityscapes_train_2018_02_06.tar.gz
我的本地儲存目錄：/home/jerry/Deeplab/research/deeplab/backbone/deeplabv3_cityscapes_train/model.ckpt.index
2、訓練指令：
官方給出的指令格式：
python deeplab/train.py \
--logtostderr \
--training_number_of_steps=90000 \
--train_split="train" \
--model_variant="xception_65" \
--atrous_rates=6 \
--atrous_rates=12 \
--atrous_rates=18 \
--output_stride=16 \
--decoder_output_stride=4 \
--train_crop_size=769 \
--train_crop_size=769 \
--train_batch_size=1 \
--dataset="cityscapes" \
--tf_initial_checkpoint=${PATH_TO_INITIAL_CHECKPOINT} \
--train_logdir=${PATH_TO_TRAIN_DIR} \
--dataset_dir=${PATH_TO_DATASET}
實際訓練所用程式碼：
python "${WORK_DIR}"/train.py \
--logtostderr \
--train_split="train" \
--model_variant="xception_65" \
--atrous_rates=6 \
--atrous_rates=12 \
--atrous_rates=18 \
--output_stride=16 \
--decoder_output_stride=4 \
--train_crop_size=513 \
--train_crop_size=513 \
--train_batch_size=1 \
--training_number_of_steps=1000000 \
--fine_tune_batch_norm=False \
--tf_initial_checkpoint=/home/jerry/Deeplab/research/deeplab/backbone/deeplabv3_cityscapes_train/model.ckpt.index \
--train_logdir="/home/jerry/Deeplab/research/deeplab/exp/train_on_train_set/train/" \
--dataset_dir="/home/jerry/dataset/cityscapes/tfrecord"
引數分析：
- training_number_of_steps： 訓練迭代次數，這裡只是驗證，故設定較小為1000
- train_crop_size：訓練圖片的裁剪大小，因為我的GPU只有8G，故我將這個設定為513了
- train_batch_size: 訓練的batchsize，也是因為硬體條件，故保持1
- fine_tune_batch_norm=False ：是否使用batch_norm，官方建議，如果訓練的batch_size小於12的話，須將該引數設定為False，這個設定很重要，否則的話訓練時會在2000步左右報錯
- tf_initial_checkpoint：預訓練的初始checkpoint，這裡設定的即是前面下載的/home/jerry/Deeplab/research/deeplab/backbone/deeplabv3_cityscapes_train/model.ckpt.index
- train_logdir: 儲存訓練權重的目錄，注意在開始的建立工程目錄的時候就建立了，這裡設定為"/home/jerry/Deeplab/research/deeplab/exp/train_on_train_set/train/" \
- dataset_dir:資料集的地址，前面建立的TFRecords目錄。這裡設定為"/home/jerry/dataset/cityscapes/tfrecord"
訓練心得補充：
（1）指令碼訓練：由於感覺在終端裡直接訓練，每次修改引數很煩，所以編了個指令碼，直接在腳本里修改引數，然後直接執行指令碼就可以了。
指令碼如下：
訓練結果： 我程式沒有全跑完，我估計得到很好的結果，得跑90萬次左右3天左右吧。所以就不貼最後的圖了。
4、測試與視覺化
測試和視覺化步驟和上述訓練的步驟基本一致，沒有什麼太大的變化。
貼一下我測試的指令碼吧：
