用deeplab 訓練Pascal VOC2012數據集時需注意的一些問題
1 segmentation_dataset.py中類別數目的設置
num_class=自己的標籤數目+2
比如我訓練的時候只需要person這一類標籤，那麼我的num_class就是3，這三類分別爲：person，background以及ignore_label
2 單通道mask中標籤像素值設置
生成的mask必須爲單通道(灰度圖)，建議爲png格式。
注意，在製作mask時，對所有object的灰度像素值有要求。
對於所有object包括background在內，在mask中要將灰度值標註爲0~n,雖然產生的圖片很難看出區別，但是這對訓練是有效的。注意，不要把object的灰度值標註成10,20,100…(這樣代碼會直接將灰度值和class匹配，這在調整權重等操作會有麻煩～)
總的來說就是：“background”類中的像素值應爲0，第一個類的像素值應爲1，因爲第二個類的像素值應爲2，依此類推…不要將類保存爲其他值，如100或 224，必須要按照從1到N的順序保存標籤
3 權重不平衡問題
如果你的問題是二分類或者和我的數據集類似，存在object之間imablance，這需要在train_utils.py中修改權重.
這裏重點說我個人數據集，因爲是3分類問題，ignore_label權重設爲0，其中background佔了非常大的比例，person類所佔比例較小，故background和person權重分別設爲1和10，假如是4分類問題，並且object2比object1要稍微少一點，那麼最終的設置的權重比例爲ignore_label權重設爲0，background，object1，object2分別設爲1，10，15（比例越大權重越小）