pytorch-deeplab-xception

更新于2018年12月6日。提供在VOC和SBD数据集上训练的模型。

更新于2018年11月24日。发布最新版本代码，修复了一些先前的问题，并增加了对新主干网络和多GPU训练的支持。之前的代码请参阅previous分支。

待办事项

• 支持不同的主干网络
• 支持VOC、SBD、Cityscapes和COCO数据集
• 多GPU训练

主干网络	训练/评估输出步幅	验证集mIoU	预训练模型
ResNet	16/16	78.43%	Google Drive
MobileNet	16/16	70.81%	Google Drive
DRN	16/16	78.87%	Google Drive

简介

这是一个基于PyTorch(0.4.1)的DeepLab-V3-Plus实现。它可以使用修改后的Aligned Xception和ResNet作为主干网络。目前，我们使用Pascal VOC 2012、SBD和Cityscapes数据集来训练DeepLab V3 Plus。

安装

该代码已在Anaconda和Python 3.6环境下测试通过。安装完Anaconda环境后：

0. 克隆仓库：

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

1. 安装依赖项：

   对于PyTorch依赖，请参阅pytorch.org获取更多详细信息。

   对于自定义依赖项：

   pip install matplotlib pillow tensorboardX tqdm
   

训练

按照以下步骤训练您的模型：

0. 在mypath.py中配置您的数据集路径。

1. 输入参数：（可通过python train.py --help查看完整输入参数）：

   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. 使用Pascal VOC数据集和ResNet作为主干网络训练deeplabv3+：

   bash train_voc.sh
   

3. 使用COCO数据集和ResNet作为主干网络训练deeplabv3+：

   bash train_coco.sh
   

致谢

PyTorch-Encoding

Synchronized-BatchNorm-PyTorch

drn

pytorch-deeplab-xception 快速上手指南

本指南基于 pytorch-deeplab-xception 项目，帮助开发者快速在 PyTorch 环境中部署和训练 DeepLab V3+ 语义分割模型。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐) 或 macOS
• Python 版本: 3.6+ (项目基于 Python 3.6 测试)
• 深度学习框架: PyTorch 0.4.1 或更高版本
  • 建议: 国内用户可使用清华源或阿里源加速安装 PyTorch。例如使用 pip 安装时指定镜像：

    pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple
    

• 硬件: 支持 CUDA 的 NVIDIA GPU (用于加速训练和推理)

安装步骤

1. 克隆代码库

将项目代码下载到本地：

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

2. 安装依赖

除了 PyTorch 外，还需安装以下 Python 第三方库。国内用户建议添加 -i 参数使用国内镜像源加速：

pip install matplotlib pillow tensorboardX tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

1. 配置数据集路径

在运行训练脚本前，需要修改 mypath.py 文件，将其中的数据集路径指向您本地的数据目录（如 Pascal VOC, Cityscapes 等）。

编辑文件：

vim mypath.py
# 或者使用其他编辑器打开，修改对应的数据集根目录路径

2. 开始训练

项目提供了预设的 Shell 脚本来简化训练过程。

示例：使用 Pascal VOC 数据集 + ResNet 骨干网络进行训练

bash train_voc.sh

示例：使用 COCO 数据集 + ResNet 骨干网络进行训练

bash train_coco.sh

3. 自定义训练参数

如果需要调整骨干网络、学习率或批次大小等参数，可以直接调用 train.py 并传入参数。查看完整帮助信息：

python train.py --help

常用参数示例（指定骨干网络为 MobileNet，使用多 GPU 训练）：

python train.py --backbone mobilenet --dataset pascal --gpu-ids 0,1 --batch-size 8

4. 使用预训练模型

如果您只想进行推理或微调，可以从下表下载对应的预训练模型权重，并在训练或评估时通过 --resume 参数加载：

骨干网络 (Backbone)	mIoU (验证集)	下载链接
ResNet	78.43%	Google Drive
MobileNet	70.81%	Google Drive
DRN	78.87%	Google Drive

注：国内访问 Google Drive 可能受限，建议自行寻找国内网盘搬运资源或使用代理工具下载。