pytorch deeplab xception Download - pytorch deeplab xception Código Fonte Download

pytorch deeplab xception

Pitão

1.0.0

Baixar

pytorch-deeplab-xception

Atualização em 2018/12/06. Forneça modelo treinado nos conjuntos de dados VOC e SBD.

Atualização em 2018/11/24. Libere o código mais recente da versão, que corrige alguns problemas anteriores e também adiciona suporte para novos backbones e treinamento multi-GPU. Para o código anterior, consulte na filial previous

PENDÊNCIA

Apoie diferentes backbones
Apoie VOC, SBD, paisagens da cidade e conjuntos de dados Coco
Treinamento multi-GPU

Espinha dorsal	Trem/Eval OS	Miou em Val	Modelo pré -terenciado
Resnet	16/16	78,43%	Google Drive
MobileNet	16/16	70,81%	Google Drive
Drn	16/16	78,87%	Google Drive

Introdução

Esta é uma implementação de Pytorch (0.1) de Deeplab-V3-plus. Ele pode usar o Xception alinhado modificado e o RESNET como backbone. Atualmente, treinamos o Deeplab V3 Plus usando conjuntos de dados Pascal VOC 2012, SBD e Cityscapes.

Resultados

Instalação

O código foi testado com Anaconda e Python 3.6. Depois de instalar o ambiente da Anaconda:

Clone o repo:

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

Instale dependências:
Para dependência de pytorch, consulte Pytorch.org para obter mais detalhes.
Para dependências personalizadas:
```
pip install matplotlib pillow tensorboardX tqdm
```

Treinamento

Siga as etapas abaixo para treinar seu modelo:

Configure o caminho do conjunto de dados em mypath.py.

Argumentos de entrada: (consulte Argumentos de entrada completos via 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]

Para treinar Deeplabv3+ usando o conjunto de dados Pascal VOC e resnet como backbone:
```
bash train_voc.sh
```
Para treinar Deeplabv3+ usando o conjunto de dados Coco e Resnet como Backbone:
```
bash train_coco.sh
```