DeepGlobe-道路提取挑战赛

在DeepGlobe道路提取挑战赛中获得第一名的解决方案代码。

需求

• CUDA 8.0
• Python 2.7
• PyTorch 0.2.0
• cv2

使用方法

数据

将'train''valid''test'数据文件夹放入'dataset'文件夹中。

数据来自DeepGlobe道路提取挑战赛。您需要先登录才能获取数据。

训练

• 运行python train.py以训练默认的D-LinkNet34模型。

预测

• 运行python test.py以对默认的D-LinkNet34模型进行预测。

下载已训练好的D-LinkNet34模型

• Dropbox
• 百度网盘

DeepGlobe 道路提取挑战赛冠军方案快速上手指南

本指南基于 DeepGlobe Road Extraction Challenge 第一名解决方案（D-LinkNet34），帮助开发者快速复现模型。

环境准备

本项目依赖较早期的深度学习环境，请确保满足以下系统要求：

• 操作系统: Linux (推荐)
• CUDA: 8.0
• Python: 2.7
• 深度学习框架: PyTorch 0.2.0
• 其他依赖: opencv-python (cv2)

注意：由于依赖 Python 2.7 和旧版 PyTorch，建议在独立的虚拟环境或 Docker 容器中运行，以免冲突。

安装步骤

1. 配置 Python 2.7 环境 确保系统已安装 Python 2.7。

2. 安装 PyTorch 0.2.0 根据 CUDA 8.0 版本安装对应的 PyTorch。由于版本较老，官方源可能不再直接支持，建议查找历史 wheel 包或使用源码编译：

   pip install torch==0.2.0.post3 -f https://download.pytorch.org/whl/cu80/torch_stable.html
   

   (若上述链接失效，请前往 PyTorch 历史版本页面或国内镜像站寻找对应 cu80 的 0.2.0 版本)

3. 安装其他依赖

   pip install opencv-python
   

4. 获取代码 克隆或下载本仓库代码到本地。

基本使用

1. 数据准备

从 DeepGlobe 竞赛官网 下载数据集（需登录）。 将解压后的 train、valid 和 test 文件夹放入项目根目录下的 dataset 文件夹中，结构如下：

project_root/
├── dataset/
│   ├── train/
│   ├── valid/
│   └── test/
├── train.py
└── test.py

2. 训练模型

使用默认配置的 D-LinkNet34 开始训练：

python train.py

3. 模型预测

使用训练好的模型进行推理预测：

python test.py

4. 使用预训练模型（可选）

如果不想重新训练，可直接下载作者提供的预训练权重（D-LinkNet34）：

• Dropbox: 下载链接
• 百度网盘: 下载链接

下载后将权重文件放置在代码指定的加载路径下，即可直接运行 python test.py 进行预测。