Semantic-Segmentation语义分割模型在Keras当中的实现

---

大通知！

PSPnet-Keras重制版如下：
源码路径：https://github.com/bubbliiiing/pspnet-keras
视频地址：https://www.bilibili.com/video/BV1bz4y1f77C

PSPnet-Pytorch重制版如下：
源码路径：https://github.com/bubbliiiing/pspnet-pytorch
视频地址：https://www.bilibili.com/video/BV1zt4y1q7HH

PSPnet-Tensorflow2重制版如下：
源码路径：https://github.com/bubbliiiing/pspnet-tf2
视频地址：https://www.bilibili.com/video/BV1Wh411f7NU

Unet-Keras重制版如下：
源码路径：https://github.com/bubbliiiing/unet-keras
视频地址：https://www.bilibili.com/video/BV1St4y1r7hE

Unet-Pytorch重制版如下：
源码路径：https://github.com/bubbliiiing/unet-pytorch
视频地址：https://www.bilibili.com/video/BV1rz4y117rR

Unet-Tensorflow2重制版如下：
源码路径：https://github.com/bubbliiiing/unet-tf2

Deeplab-Keras重制版如下：
源码路径：https://github.com/bubbliiiing/deeplabv3-plus-keras

目录

1. 所需环境 Environment
2. 注意事项 Attention
3. 数据集下载 Download
4. 训练步骤 How2train
5. 预测步骤 How2predict
6. 参考资料 Reference

所需环境

tensorflow-gpu==1.13.1
keras==2.1.5

注意事项

该代码是我早期整理的语义分割代码，尽管可以使用，但是存在许多缺点。大家尽量可以使用重制版的代码，因为重制版的代码里面增加了很多新内容，比如添加了Dice-loss，增加了更多参数的选择，提供了VOC预训练权重等。

在2021年1月28重新上传了该库，给代码添加了非常详细的注释，该库仍然可以作为一个语义分割的入门库进行使用。

在使用前一定要注意根目录与相对目录的选取，这样才能正常进行训练。

数据集下载

斑马线数据集：
链接：https://pan.baidu.com/s/1uzwqLaCXcWe06xEXk1ROWw 提取码：pp6w

VOC数据集：
链接: https://pan.baidu.com/s/1Urh9W7XPNMF8yR67SDjAAQ 提取码: cvy2

训练步骤

1. 准备好训练数据集，如果想要进行简单尝试，可以通过如上的斑马线数据集进行尝试；如果想要进行自己的数据集训练，可以参考制作自己的数据集的视频，进行制作
2. 在完成数据集的准备后，利用pycharm或者vscode打开对应模型的文件夹，将数据集及其对应的train.txt文件复制到datasets2文件夹中
3. 然后运行train.py进行训练。
4. 大家关心的多分类的代码在Muiti_Class_deeplab_Mobile里。

预测步骤

1. 除去Muiti_Class_deeplab_Mobile可以直接运行predict.py进行预测外，其它的模型均需要先完成训练才可以预测。
2. 在完成训练后，将predict.py里面模型载入的权重更换成logs文件夹内的权值。
3. 将想要预测的图片放入img文件夹。
4. 运行predict.py即可开始预测。

Reference

image-segmentation-keras