1. 前提
在配置SegNet网络之前，首先确保你电脑上已经成功配置过caffe框架，因为SegNe对cudnn版本的要求可能与你电脑配置的不一样，如果换成对应版本的话很麻烦，所以在在配置SegNet网络之前，确保你电脑上已经有成功配置了最原始的caffe，如果你电脑还没安装的话，可以参考这篇博客ubuntu16.04+anaconda2+gpu+caffe安装
2. 下载代码
- 首先下载SegNet要求的caffe代码：https://github.com/TimoSaemann/caffe-segnet-cudnn5 ，这个版本最好配置了，所以推荐这个。
- 下载SegNet网络模型文件：https://github.com/alexgkendall/SegNet-Tutorial ，里面有作者使用的数据集，和已经制作好的标签。在文章的最后我会介绍如何制作自己的数据集
- 下载网络权重模型：http://mi.eng.cam.ac.uk/~agk34/resources/SegNet/
3. 安装SegNe版本的caffe
-
解压下载下来的caffe-segnet-cudnn5-master.zip文件，重命名为caffe-segnet，进入caffe-segnet文件，输入命令
cp Makefile.config.example Makefile.config sudo Makefile.config与安装caffe过程一模一样，可以参考前言推荐的博客，修改文件内容如下：
（1）应用 cudnn#USE_CUDNN := 1 #修改成： USE_CUDNN := 1（2）应用 opencv 版本
#OPENCV_VERSION := 3 #修改为： OPENCV_VERSION := 3（3）使用 python 接口
#WITH_PYTHON_LAYER := 1 #修改为 WITH_PYTHON_LAYER := 1（4）修改 python 路径
在PYTHON_INCLUDE下面路径加一个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修改为
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial保存退出。
（6）在caffe-segnet文件夹下打双击打开Makefile文件#将： NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS) #替换为： NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)#将： LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5 #改为： LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial（7）安装依赖
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev sudo apt-get install libatlas-base-dev sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev -
开始编译caffe-segnet版本
输入命令make all -j8
如果你的电脑安装的cudnn版本和caffe-segnet版本要求不一致的话，必定会出现错误，在这里有一个小技巧，就是利用你电脑上已经配置好的caffe，把里面的cudnn相关文件拷过来就行，具体操作如下：
（1）打开caffe-master/include/caffe/util 文件夹，复制cudnn.hpp到caffe-segnet对应的文件夹下
（2）打开caffe-segnet/include/caffe/layers 文件夹，找到所有cudnn开头文件，如图所示，cudnn_conv_layer.hpp，一直到cudnn_tanh_layer.hpp
![在这里插入图片描述]()
然后打开caffe-master/include/caffe/layers 文件夹，找到相对应的cudnn开头的文件，但是不要复制多余的，caffe-segnet有几个复制几个就行，将复制的cudnn开头的文件拷贝到caffe-segnet/include/caffe/layers 文件夹下，也就是替换到caffe-segnet原来的文件。
（3）caffe-master/src/caffe/util 文件夹，进行同样的操作，复制cudnn.cpp文件到caffe-segnet相同文件夹下
（4）打开caffe-segnet/src/caffe/layers 文件夹，与第（2）步进行同样的操作，就不在重复叙述了。 -
重新编译caffe-segnet版本
输入命令make clean make all -j8 sudo pycaffe -j8当然在编译的时候可能依然会报错，但是这些错误在网上搜都是有对应的解决方案的，解决也很简单，就不在这叙述了。
当你成功编译之后，输入命令sudo gedit ~/.bashrc
注释掉你电脑上原来caffe的路径，添上caffe-segnet版本的cafe路径，一下是我的环境路径，我将caffe-segnet放在了SegNet文件夹下。export PYTHONPATH=/home/csm/SegNet/caffe-segnet/python:$PYTHONPATH![在这里插入图片描述]()
保存退出source ~/.bashrc
测试一下python import caffe如果没报错说明安装成功了。
然后打开caffe-master/include/caffe/layers 文件夹，找到相对应的cudnn开头的文件，但是不要复制多余的，caffe-segnet有几个复制几个就行，将复制的cudnn开头的文件拷贝到caffe-segnet/include/caffe/layers 文件夹下，也就是替换到caffe-segnet原来的文件。
保存退出4. 开始训练
-
解压下载的SegNet-Tutorial-master.zip文件，重命名为SegNet，就是存放caffe-segnet的文件夹，把它俩放在一起便于管理。
-
进入CamVid，你将会看到训练的图片以及对应标签，还有train.txt，test.txt文件，打开，修改对应的路径，如下图所示，也就是将相对路径改成绝对路径，避免在训练的时候会报错。
![在这里插入图片描述]()
-
进入Models文件夹，打开segnet_solver.prototxt文件，修改对应的路径，以及参数，并在SegNet文件夹下，新建snapshot文件夹，用于存放训练生成的模型。
![在这里插入图片描述]()
打开segnet_train.prototxt，修改路径。同时我也修改了batch_size大小。
![在这里插入图片描述]()
-
开始训练
在SegNet文件夹下打开终端，输入#!bin/sh /home/csm/SegNet/caffe-segnet/build/tools/caffe train -gpu 0 -solver /home/csm/SegNet/Models/segnet_solver.prototxt注意你自己电脑的路径名称。
-
开始测试
进入Models文件夹，打开segnet_inference.prototxt，修改你测试数据集的路径，然后在SegNet文件夹下创建Inference文件夹
输入命令，注意你电脑的路径``` 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/ ``` -
显示测试结果
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到此所有训练过程结束了
打开segnet_train.prototxt，修改路径。同时我也修改了batch_size大小。
5. 制作自己的数据集
-
制作label
可以参看这篇博客：https://blog.csdn.net/weixin_43122521/article/details/82558346 ，写的很详细，但是只是适合制作他的数据集，所以我在这稍微的添加一些内容。
网上有很多说制作标签用labelme软件，我以前也试过，但是会出现一点问题，所以就使用了PS，我觉得挺好使的。参考这篇博客https://blog.csdn.net/weixin_42795611/article/details/84073879 ，先仿照voc数据集，将标签标为如下颜色，有几种类别就标几种颜色就行。然后保存为png格式这时的标签为24位彩色图。类别名称 R G B background 0 0 0 背景 aeroplane 128 0 0 飞机 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 猫 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 显示器 -
将原图与24位彩色标签图统一大小480x360
因为segnet网络要求图片为480x360，matlab代码如下：``` addpath('dealImg'); addpath('Img'); ListName=dir('Img\*.jpg'); [Pm,Pn]=size(ListName); for iPm=1:1:Pm %读取文件夹所有图片循环 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 ``` -
将24为彩色标签图变为8位灰色图
python代码如下：``` 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) ``` -
因为segnet的数据集，像素0为背景，像素1，2，3……为目标，所以要对8为灰色图重新上色。
首先用matlab，imread函数读取图片，会显示你每个类别对应的灰度值，若果是安装我上面所说的办法制作标签的话，每个类别的像素值是一样的，你只要观察几张图的灰度值就行。
然后使用python代码进行上色。# -*- 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)最后别忘了修改SegNet/CamVid文件夹下的train.txt和test.txt文件的名称与路径。
到此数据集制作完成。