在上篇博文中，我詳細的介紹瞭如何在資料集Cityscapes復現Deeplab（v3+），這篇文章主要介紹一下對資料集VOC2012的驗證。

一、參考資料：

二、準備工作：

環境：

資料集準備：

1、下載資料集：

自己先下好voc2012的資料集，解壓放在本地。 我的本地資料存在目錄如下： 圖中：除了SegmentationClassRaw和tfrecord之外的幾個資料夾是有下載的資料集解壓得到的，而SegmentationClassRaw和tfrecord這兩個資料夾使我們自己建立的；SegmentationClassRaw: 是我們將原始的三通道（彩色）Lable轉換成單通道（黑白）的，詳細轉換過程見下步;**tfrecord:**是我們將圖片和單通道lable轉換用於tensorflow計算的資料格式，轉換過程見下.

3、資料格式轉換：

• 三通道—to—單通道 下載的資料集中只提供了三通道（彩色）的標註（lable）（SegmentationClass資料夾中），但是我們訓練和後面的測試中必須得用到單通道（黑白）的，所以第一步應該將其進行轉換（不過我不是很明白為嘛訓練要用單通道的，難道是因為單通道的計算量小，希望哪路大神看見此文幫我解答一下）；官方提供的程式碼中提供了格式轉換檔案【/home/jerry/Deeplab/research/deeplab/datasets/remove_gt_colormap.py】，我在看博文時發現有大神用其他程式碼轉換格式的，很厲害。我就直接用了官方的，程式碼很簡單。我編了個sh指令碼檔案，直接呼叫該檔案，不需要對【remove_gt_colormap.py】進行任何修改。
  轉換成後的資料儲存在SegmentationClassRaw中，該資料夾最好自己先建好，然後在sh中修改相關路徑就ok。
• 生成tfrecord檔案 官方提供的檔案中，同樣有將voc2012資料轉換成tfrecord的程式碼【/home/jerry/Deeplab/research/deeplab/datasets/build_voc2012_data.py】，同樣，編寫sh指令碼檔案，修改部分路徑，然後直接生成tfrecord檔案，程式碼見上圖後半部分。同樣，最好先自己建立tfreord資料夾。
• 引數說明： –image_folder=“儲存images的路徑” \ –semantic_segmentation_folder=“儲存labels的路徑” \ –list_folder=“儲存train.txt檔案的路徑” \ –image_format=“jpg（image格式）” \ –output_dir=“生成tfrecord格式的資料所要儲存的位置”

資料都準備好了之後，就可以直接開始呼叫程式碼，進行訓練和測試了。

三、訓練

訓練這部分，沒有什麼難的，直接將官方程式碼執行就好。個人為了麻煩，全部將需要調參的寫成了sh指令碼檔案，下面直接貼出我的程式碼。 指令碼中的相關引數含義可見我的上文https://blog.csdn.net/qq_38437505/article/details/82952024 利用官方提供的ckpt，我訓練的loss大約1.4左右。

四、測試：

利用官方的訓練ckpt模型，我的最終，Miou達到了81.5%，由於機器以及部分引數的原因，沒法達到論文中準確率。

五、視覺化結果

最後將我最終得到訓練結果給大家看看，還是很不錯的。