【代碼】deeplabv3+ vis.py 可視化代碼解析

我真希望我剛開始看代碼的時候有這一些列的博客。我記得我當時上網各種找，只找到一篇可憐巴巴的解析，如獲至寶，開啓了看代碼的流程。畢竟我當時完全不會tf，一直用的keras。

 

bash代碼舉例：

python "${WORK_DIR}"/vis.py \
  --logtostderr \
  --vis_split="val" \
  --model_variant="xception_65" \
  --atrous_rates=12 \
  --atrous_rates=24 \
  --atrous_rates=36 \
  --output_stride=8 \
  --decoder_output_stride=1 \
  --vis_crop_size="513,513" \
  --checkpoint_dir="${TRAIN_LOGDIR}" \
  --vis_logdir="${VIS_LOGDIR}" \
  --dataset_dir="${PASCAL_DATASET}" \
  --max_number_of_iterations=1 \
  --eval_scales=[0.25,1,1.75] \
  --add_flipped_images=True \

這裏需要說明的是eval_scale這個參數能不能接受這個list我還真不知道，我一般都是在vis.py裏面改，因爲我記得我試驗過，不接受。

vis.py一共三個函數

其中需要注意的是_process_batch

因爲她第一句代碼就把圖片跑完了：

  (original_images,
   semantic_predictions,
   image_names,
   image_heights,
   image_widths) = sess.run([original_images, semantic_predictions,
                             image_names, image_heights, image_widths])

看，semantic_prediction已經預測完畢了：

 

然後就是一些修繕工作。

其中170幾行的代碼是將圖片保存：

    save_annotation.save_annotation(
        original_image, save_dir, _IMAGE_FORMAT % (image_id_offset + i),
        add_colormap=False)

    # Save prediction.
    save_annotation.save_annotation(
        crop_semantic_prediction, save_dir,
        _PREDICTION_FORMAT % (image_id_offset + i), add_colormap=True,
        colormap_type=FLAGS.colormap_type)

另外，在cityscape這個數據集上，

tf.logging.info('Cityscapes requires converting train_id to eval_id.')

其他數據即如voc不用管

我還沒了解過cityscape，所以。。。。

迴歸代碼，如果想要同名於數據集的可視化需要改代碼：

  for i in range(num_image):
    image_height = np.squeeze(image_heights[i])
    image_width = np.squeeze(image_widths[i])
    original_image = np.squeeze(original_images[i])
    semantic_prediction = np.squeeze(semantic_predictions[i])
    crop_semantic_prediction = semantic_prediction[:image_height, :image_width]
    image_filename = os.path.basename(image_names[i])
    image_filename = str(image_filename)
    image_filename = image_filename[2:13]
    if FLAGS.also_save_raw_predictions:

      if train_id_to_eval_id is not None:
        crop_semantic_prediction = _convert_train_id_to_eval_id(
            crop_semantic_prediction,
            train_id_to_eval_id)
      save_annotation.save_annotation(
          crop_semantic_prediction, raw_save_dir, image_filename,
          add_colormap=False)
    save_annotation.save_annotation(
          original_image, save_dir, image_filename,
          add_colormap=False)

這裏的image_filename是byte，所以轉化成str，再操作。

然後函數調用save_annotation的時候直接用即可。