語義分割學習系列（六）基於自己的數據集來訓練FCN模型

前言

由於系列（五）中提到的github開源項目只針對VOC2012格式數據集進行FCN模型訓練，所以爲了方便起見，我們在對自己數據集進行標註完成後，需要先轉換成VOC格式再來用該項目代碼訓練我們自己的FCN模型。

數據格式轉換

1）將所有標註結果文件（每個樣本圖片都對應一個json文件）放在一個目錄裏面。

2）仿照json_to_dataset.py，寫一個腳本來遍歷上面目錄裏面所有json文件，並分別轉換成同文件名的png圖片。這一步驟是必需而且非常重要。將來訓練時只需要這些png的label圖片即可。

3）另外再寫一個腳本來提取出所有json的文件名，並根據train和val數目的劃分，分別保存成train.txt和val.txt。 當然，這兩個腳本完全可以合併成一個腳本。

4）在linux服務器上，先創建一個數據集根目錄，比如說self_data_set，其路徑假設是/work/self_data_set

5）在self_data_set下面創建JPEGImages子目錄，並把所有樣本圖片都放到該目錄下。

6）類似地，創建SegmentationClass子目錄，並把前面轉換好的png圖片放放到該目錄中。

7）同理，創建ImageSets子目錄，並把train.txt和val.txt放到該目錄中。

模型訓練

由於每個數據集的情況不一樣，比如說class name和number不相同，所以需要對train和樣本數據集相關代碼進行相應修改。

我們先看 train.py

1）要根據自己數據集情況來修改基本訓練參數，比如batch_size, epochs, class num以及learning_rate。

parser = ArgumentParser()
parser.add_argument('-bs', '--batch_size', type=int, default=2, help="batch size of the data")
parser.add_argument('-e', '--epochs', type=int, default=200, help='epoch of the train')
parser.add_argument('-c', '--n_class', type=int, default=2, help='the classes of the dataset')
parser.add_argument('-lr', '--learning_rate', type=float, default=1e-3, help='learning rate')

2） 指定樣本數據集root路徑

# self dataset
data_path = os.path.expanduser('/work/')

voc_loader.py是專門讀取voc格式的數據集的腳本文件，也需要做相應修改：

1）class name的修改：

class VOCClassSegBase(data.Dataset):

    class_names = np.array([
        'background',
        'xxx',
        ... ...
    ])

2）進一步指定自己數據集的根目錄

  # dataset root dir
  dataset_dir = osp.join(self.root, 'self_data_set')

至此，就可以運行 python3 train.py來開始訓練模型了。  

 其部分log如下所示