pytorch deeplab xception

Pytorch-Deeplab-Xception

Actualización sobre 2018/12/06. Proporcione modelo capacitado en conjuntos de datos VOC y SBD.

Actualización sobre 2018/11/24. Release el código de versión más nuevo, que solucione algunos problemas anteriores y también agregue soporte para nuevos troncos y capacitación en múltiples GPU. Para el código anterior, consulte en la rama previous

HACER

• Apoyar diferentes columnas
• Soporte de conjuntos de datos de VOC, SBD, Cityscapes y Coco
• Entrenamiento multi-GPU

Columna vertebral	Train/evalu	miiou en val	Modelo previamente
Resnet	16/16	78.43%	Google Drive
Mobilenet	16/16	70.81%	Google Drive
DRN	16/16	78.87%	Google Drive

Introducción

Esta es una implementación de Pytorch (0.4.1) de DeepLab-V3-Plus. Puede usar Xception y resnet alineado modificados como troncal. Actualmente, entrenamos DeepLab V3 Plus usando los conjuntos de datos Pascal VOC 2012, SBD y Cityscapes.

Instalación

El código se probó con Anaconda y Python 3.6. Después de instalar el entorno Anaconda:

0. Clon el repositorio:

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

1. Instalar dependencias:

   Para la dependencia de Pytorch, consulte pytorch.org para obtener más detalles.

   Para dependencias personalizadas:

   pip install matplotlib pillow tensorboardX tqdm

Capacitación

Siga los pasos a continuación para entrenar a su modelo:

0. Configure su ruta de conjunto de datos en mypath.py.

1. Argumentos de entrada: (ver argumentos de entrada completos a través de 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. Para entrenar DeepLabv3+ usando el conjunto de datos VOC Pascal y Resnet como Backbone:

   bash train_voc.sh

3. Para entrenar DeepLabv3+ usando Coco DataSet y Resnet como Backbone:

   bash train_coco.sh

Reconocimiento

Codificación de pytorch

Sincronizado por lotes-pytorch

DRN