pytorch deeplab xception

Pytorch-Deeplab-Xception

Update am 2018/12/06. Stellen Sie ein Modell bereit, das auf VOC- und SBD -Datensätzen ausgebildet ist.

Update am 2018/11/24. Veröffentlichen Sie den neuesten Versionscode, der einige frühere Ausgaben behebt und auch Unterstützung für neue Backbones und Multi-GPU-Schulungen hinzufügt. Für den vorherigen Code finden Sie in previous Zweigstelle

Todo

• Unterstützen Sie verschiedene Rückgrat
• Unterstützen Sie VOC, SBD, Cityscapes und Coco -Datensätze
• Multi-GPU-Training

Rückgrat	Zug/Eval OS	Miou in Val	Vorbereitetes Modell
Resnet	16/16	78,43%	Google Drive
Mobilenet	16/16	70,81%	Google Drive
Drn	16/16	78,87%	Google Drive

Einführung

Dies ist eine Pytorch (0.4.1) -Implus von Deeptlab-V3-Plus. Es kann modifizierte ausgerichtete Xception und Resnet als Rückgrat verwenden. Derzeit trainieren wir Deeptlab V3 Plus mit Pascal VOC 2012-, SBD- und Cityscapes -Datensätzen.

Installation

Der Code wurde mit Anaconda und Python 3.6 getestet. Nach der Installation der Anaconda -Umgebung:

0. Klonen Sie das Repo:

   git clone https://github.com/jfzhang95/pytorch-deeplab-xception.git
   cd pytorch-deeplab-xception

1. Abhängigkeiten installieren:

   Weitere Informationen finden Sie unter pytorch.org für die Pytorch -Abhängigkeit.

   Für benutzerdefinierte Abhängigkeiten:

   pip install matplotlib pillow tensorboardX tqdm

Ausbildung

Befolgen Sie die folgenden Schritte, um Ihr Modell zu trainieren:

0. Konfigurieren Sie Ihren Datensatzpfad in mypath.py.

1. Eingabeargumente: (Siehe vollständige Eingabeargumente über Python Train.py -Help):

   usage: train.py [-h] [--backbone {resnet,xception,drn,mobilenet}]
               [--out-stride OUT_STRIDE] [--dataset {pascal,coco,cityscapes}]
               [--use-sbd] [--workers N] [--base-size BASE_SIZE]
               [--crop-size CROP_SIZE] [--sync-bn SYNC_BN]
               [--freeze-bn FREEZE_BN] [--loss-type {ce,focal}] [--epochs N]
               [--start_epoch N] [--batch-size N] [--test-batch-size N]
               [--use-balanced-weights] [--lr LR]
               [--lr-scheduler {poly,step,cos}] [--momentum M]
               [--weight-decay M] [--nesterov] [--no-cuda]
               [--gpu-ids GPU_IDS] [--seed S] [--resume RESUME]
               [--checkname CHECKNAME] [--ft] [--eval-interval EVAL_INTERVAL]
               [--no-val]
   

2. So Deeptlabv3+ mithilfe von Pascal VOC -Datensatz und ResNet als Backbone trainieren:

   bash train_voc.sh

3. So Deeptlabv3+ mit Coco -Datensatz und ResNet als Rückgrat trainieren:

   bash train_coco.sh

Anerkennung

Pytorch-Coding

Synchronisierte Batchnorm-Pytorch

drn