1. 前提
在配置SegNet網絡之前，首先確保你電腦上已經成功配置過caffe框架，因爲SegNe對cudnn版本的要求可能與你電腦配置的不一樣，如果換成對應版本的話很麻煩，所以在在配置SegNet網絡之前，確保你電腦上已經有成功配置了最原始的caffe，如果你電腦還沒安裝的話，可以參考這篇博客ubuntu16.04+anaconda2+gpu+caffe安裝
2. 下載代碼
- 首先下載SegNet要求的caffe代碼：https://github.com/TimoSaemann/caffe-segnet-cudnn5 ，這個版本最好配置了，所以推薦這個。
- 下載SegNet網絡模型文件：https://github.com/alexgkendall/SegNet-Tutorial ，裏面有作者使用的數據集，和已經製作好的標籤。在文章的最後我會介紹如何製作自己的數據集
- 下載網絡權重模型：http://mi.eng.cam.ac.uk/~agk34/resources/SegNet/
3. 安裝SegNe版本的caffe
-
解壓下載下來的caffe-segnet-cudnn5-master.zip文件，重命名爲caffe-segnet，進入caffe-segnet文件，輸入命令
cp Makefile.config.example Makefile.config sudo Makefile.config與安裝caffe過程一模一樣，可以參考前言推薦的博客，修改文件內容如下：
（1）應用 cudnn#USE_CUDNN := 1 #修改成： USE_CUDNN := 1（2）應用 opencv 版本
#OPENCV_VERSION := 3 #修改爲： OPENCV_VERSION := 3（3）使用 python 接口
#WITH_PYTHON_LAYER := 1 #修改爲 WITH_PYTHON_LAYER := 1（4）修改 python 路徑
在PYTHON_INCLUDE下面路徑加一個local
PYTHON_INCLUDE := /usr/include/python2.7 \ /usr/local/lib/python2.7/dist-packages/numpy/core/include（5）重要的一步
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib修改爲
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial保存退出。
（6）在caffe-segnet文件夾下打雙擊打開Makefile文件#將： NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS) #替換爲： NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)#將： LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5 #改爲： LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial（7）安裝依賴
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev sudo apt-get install libatlas-base-dev sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev -
開始編譯caffe-segnet版本
輸入命令make all -j8
如果你的電腦安裝的cudnn版本和caffe-segnet版本要求不一致的話，必定會出現錯誤，在這裏有一個小技巧，就是利用你電腦上已經配置好的caffe，把裏面的cudnn相關文件拷過來就行，具體操作如下：
（1）打開caffe-master/include/caffe/util 文件夾，複製cudnn.hpp到caffe-segnet對應的文件夾下
（2）打開caffe-segnet/include/caffe/layers 文件夾，找到所有cudnn開頭文件，如圖所示，cudnn_conv_layer.hpp，一直到cudnn_tanh_layer.hpp
![在這裏插入圖片描述]()
然後打開caffe-master/include/caffe/layers 文件夾，找到相對應的cudnn開頭的文件，但是不要複製多餘的，caffe-segnet有幾個複製幾個就行，將複製的cudnn開頭的文件拷貝到caffe-segnet/include/caffe/layers 文件夾下，也就是替換到caffe-segnet原來的文件。
（3）caffe-master/src/caffe/util 文件夾，進行同樣的操作，複製cudnn.cpp文件到caffe-segnet相同文件夾下
（4）打開caffe-segnet/src/caffe/layers 文件夾，與第（2）步進行同樣的操作，就不在重複敘述了。 -
重新編譯caffe-segnet版本
輸入命令make clean make all -j8 sudo pycaffe -j8當然在編譯的時候可能依然會報錯，但是這些錯誤在網上搜都是有對應的解決方案的，解決也很簡單，就不在這敘述了。
當你成功編譯之後，輸入命令sudo gedit ~/.bashrc
註釋掉你電腦上原來caffe的路徑，添上caffe-segnet版本的cafe路徑，一下是我的環境路徑，我將caffe-segnet放在了SegNet文件夾下。export PYTHONPATH=/home/csm/SegNet/caffe-segnet/python:$PYTHONPATH![在這裏插入圖片描述]()
保存退出source ~/.bashrc
測試一下python import caffe如果沒報錯說明安裝成功了。
然後打開caffe-master/include/caffe/layers 文件夾，找到相對應的cudnn開頭的文件，但是不要複製多餘的，caffe-segnet有幾個複製幾個就行，將複製的cudnn開頭的文件拷貝到caffe-segnet/include/caffe/layers 文件夾下，也就是替換到caffe-segnet原來的文件。
保存退出4. 開始訓練
-
解壓下載的SegNet-Tutorial-master.zip文件，重命名爲SegNet，就是存放caffe-segnet的文件夾，把它倆放在一起便於管理。
-
進入CamVid，你將會看到訓練的圖片以及對應標籤，還有train.txt，test.txt文件，打開，修改對應的路徑，如下圖所示，也就是將相對路徑改成絕對路徑，避免在訓練的時候會報錯。
![在這裏插入圖片描述]()
-
進入Models文件夾，打開segnet_solver.prototxt文件，修改對應的路徑，以及參數，並在SegNet文件夾下，新建snapshot文件夾，用於存放訓練生成的模型。
![在這裏插入圖片描述]()
打開segnet_train.prototxt，修改路徑。同時我也修改了batch_size大小。
![在這裏插入圖片描述]()
-
開始訓練
在SegNet文件夾下打開終端，輸入#!bin/sh /home/csm/SegNet/caffe-segnet/build/tools/caffe train -gpu 0 -solver /home/csm/SegNet/Models/segnet_solver.prototxt注意你自己電腦的路徑名稱。
-
開始測試
進入Models文件夾，打開segnet_inference.prototxt，修改你測試數據集的路徑，然後在SegNet文件夾下創建Inference文件夾
輸入命令，注意你電腦的路徑``` python /home/csm/SegNet/Scripts/compute_bn_statistics.py /home/csm/SegNet/Models/segnet_train.prototxt /home/csm/SegNet/snapshot/_iter_64000.caffemodel /home/csm/SegNet/Inference/ ``` -
顯示測試結果
python /home/csm/SegNet/Scripts/test_segmentation_camvid.py --model /home/csm/SegNet/Models/segnet_inference.prototxt --weights /home/csm/SegNet/Inference/test_weights.caffemodel --iter 233到此所有訓練過程結束了
打開segnet_train.prototxt，修改路徑。同時我也修改了batch_size大小。
5. 製作自己的數據集
-
製作label
可以參看這篇博客：https://blog.csdn.net/weixin_43122521/article/details/82558346 ，寫的很詳細，但是隻是適合製作他的數據集，所以我在這稍微的添加一些內容。
網上有很多說製作標籤用labelme軟件，我以前也試過，但是會出現一點問題，所以就使用了PS，我覺得挺好使的。參考這篇博客https://blog.csdn.net/weixin_42795611/article/details/84073879 ，先仿照voc數據集，將標籤標爲如下顏色，有幾種類別就標幾種顏色就行。然後保存爲png格式這時的標籤爲24位彩色圖。類別名稱 R G B background 0 0 0 背景 aeroplane 128 0 0 飛機 bicycle 0 128 0 bird 128 128 0 boat 0 0 128 bottle 128 0 128 瓶子 bus 0 128 128 大巴 car 128 128 128 cat 64 0 0 貓 chair 192 0 0 cow 64 128 0 diningtable 192 128 0 餐桌 dog 64 0 128 horse 192 0 128 motorbike 64 128 128 person 192 128 128 pottedplant 0 64 0 盆栽 sheep 128 64 0 sofa 0 192 0 train 128 192 0 tvmonitor 0 64 128 顯示器 -
將原圖與24位彩色標籤圖統一大小480x360
因爲segnet網絡要求圖片爲480x360，matlab代碼如下：``` addpath('dealImg'); addpath('Img'); ListName=dir('Img\*.jpg'); [Pm,Pn]=size(ListName); for iPm=1:1:Pm %讀取文件夾所有圖片循環 oriImg=imread(ListName(iPm).name); readImg cutImg=imresize(oriImg,[360,480]); iDealName=ListName(iPm).name; iDealAddress='dealImg\'; iDealAll=strcat(iDealAddress,iDealName); ID=imresize(cutImg,1); imwrite(ID,iDealAll); end ``` -
將24爲彩色標籤圖變爲8位灰色圖
python代碼如下：``` from PIL import Image import numpy as np import os.path import glob def convert_gray(pngfile): img=Image.open(pngfile).convert('L') img.save(os.path.join('8bit', os.path.basename(pngfile)),'png') for pngfile in glob.glob('24bit/*'): convert_gray(pngfile) ``` -
因爲segnet的數據集，像素0爲背景，像素1，2，3……爲目標，所以要對8爲灰色圖重新上色。
首先用matlab，imread函數讀取圖片，會顯示你每個類別對應的灰度值，若果是安裝我上面所說的辦法制作標籤的話，每個類別的像素值是一樣的，你只要觀察幾張圖的灰度值就行。
然後使用python代碼進行上色。# -*- coding:UTF-8 -*- from PIL import Image from pylab import * import numpy import glob import os.path def convert(pngfile): im = array(Image.open(pngfile)) w = im.shape[0] h = im.shape[1] for x in range(w): for y in range(h): if im[x][y]==38: im[x][y]=1 elif im[x][y]==75: im[x][y]=2 elif im[x][y]==113: im[x][y]=3 elif im[x][y]==14: im[x][y]=4 elif im[x][y]==52: im[x][y]=5 else: im[x][y] = 0 img = Image.fromarray(im.astype('uint8')) img.save(os.path.join('label', os.path.basename(pngfile)), 'png') for pngfile in glob.glob('8bit/*'): convert(pngfile)最後別忘了修改SegNet/CamVid文件夾下的train.txt和test.txt文件的名稱與路徑。
到此數據集製作完成。