以下是我的這個Repo裏的README(還沒有完全寫完)，我還會不定期在github裏更新的，首先在github更新，再來更新這篇博客
Github地址： https://github.com/bat67/pytorch-FCN-easiest-demo
歡迎star和提issue或者PR~
pytorch FCN easiest demo
這個repo是在讀論文Fully Convolutional Networks for Semantic Segmentation時的一個pytorch簡單復現，數據集很小，是一些隨機背景上的一些包的圖片（所有數據集大小一共不到80M），如下圖
關於此數據集詳細信息，見數據集
根據論文實現了FCN32s、FCN16s、FCN8s和FCNs
部分代碼參考了這個repo
使用visdom可視化，運行了20個epoch後的可視化如下圖：
如何運行
我的運行環境
- Windows 10
- CUDA 9.2 （可選）
- Anaconda 3
- pytorch = 0.4.1
- torchvision = 0.2.1
- visdom = 0.1.8.5
具體操作
- 打開終端，輸入
python -m visdom.server
- 打開另一終端，輸入
python train.py
- 若沒有問題可以打開瀏覽器輸入
http://localhost:8097/來使用visdom可視化
訓練細節
數據集
- training data來自這裏，ground-truth來自這裏。
- 鏈接中提供的圖片中，部分ground-truth的有誤，而且部分有ground-truth的圖片沒有對應training data的圖片，將這些有錯誤的圖片分別剔除，重新編號排序之後剩餘533張圖片。
- 之後我隨機選取了67張圖片旋轉180度，一共在training data和ground-truth分別湊夠600張圖片（0.jpg ~ 599.jpg）。
可視化
- train prediction：訓練時模型的輸出
- label：ground-truth
- test prediction：預測時模型的輸出（每次訓練都會預測，但預測數據不參與訓練與backprop）
- train iter loss：訓練時每一批（batch）的loss情況
- test iter loss：測試時每一批（batch）的loss情況