参考博客：DeepLab系列之V3+
下面详细描述我配置环境的步骤和踩过的坑
目录
1-下载源代码2-运行预测Demo3-准备自己训练模型1-按照readme里面检查环境2-使用VOC数据集训练模型2.1下载VOC数据集2.2提取标记的轮廓数据2.3数据转换2.4运行train.py2.5运行eval.py2.6运行vis.py2.7运行export_model.py1-下载源代码
第一步下载源码：github
首先阅读根目录的readMe,如下截图：
2-运行预测Demo
下载代码首先跑demo，看看有没有问题，果然没有那么顺利，由于jupyter不便于调试，所以将代码复制到pycharm中进行调试问题
**问题1：**demo里用的是网络图片，我想用本地图片测试，这部分代码改了；
**问题2：**每次运行的时候总是要下载模型文件，占用时间。我将其4个模型都下载下来放到本地，直接加载模型路径就行了。
**问题3：**报错了一个cuda的问题，Unknown: Failed to get convolution algorithm. This is probably because cuDNN
解决方案：Unknown: Failed to get convolution algorithm. This is probably because cuDNN
3-准备自己训练模型
1-按照readme里面检查环境
外部运行
python model_test.py
**问题1：**提示我的电脑nets库没有，查了下应该是个依赖库。从github上下载把research下载下来放到项目目录里面，切换到research目录运行cmd，依次运行下面两行代码
python setup.py buildpython setup.py install
然后再在pycharm里把“research/slim”通过setting里面设置为源目录，这个问题就解决了。
**问题2：**提示No module named ‘tf_slim‘
简单粗暴pip install 就搞定了，如下：
pip install tf_slim
再次运行测试程序（python model_test.py），等待了一会儿提示运行成功，如下图
2-使用VOC数据集训练模型
他是用下面的脚本进行自动安装的，由于我的是windows10系统，所以打开看看他里面代码执行原理，手工执行。
# From the tensorflow/models/research/deeplab/datasets directory.sh download_and_convert_voc.sh
2.1下载VOC数据集
他脚本里面也有下载数据集，不过相当慢所以我是提前下载了这个数据集，然后放到“./datasets/pascal_voc_seg/VOC”目录
2.2提取标记的轮廓数据
切换到“D:\Project\pythonDemo\Seg\deeplab\datasets”目录，注意sh里面的变量定义，替换成你电脑的路径。命令行：
#Removing the color map in ground truth annotations…
python D:\Project\pythonDemo\Seg\deeplab\datasets\remove_gt_colormap.py --original_gt_folder="./pascal_voc_seg/VOC/SegmentationClass" --output_dir="./pascal_voc_seg/VOC/SegmentationClassRaw"
没有任何成功提示程序运行完了，然后检查输出路径VOC/SegmentationClassRaw确实存在轮廓数据，如下图：
2.3数据转换
切换到“D:\Project\pythonDemo\Seg\deeplab\datasets”目录，注意sh里面的变量定义，替换成你电脑的路径（这里要手工建立文件夹tfrecord），命令行：
#Converting PASCAL VOC dataset…
python D:\Project\pythonDemo\Seg\deeplab\datasets\build_voc_data.py --image_folder="./pascal_voc_seg/VOC/JPEGImages" --semantic_segmentation_folder="./pascal_voc_seg/VOC/SegmentationClassRaw" --list_folder="./pascal_voc_seg/VOC/ImageSets/Segmentation" --image_format="jpg" --output_dir="./pascal_voc_seg/tfrecord"
运行成功界面：
检查输出文件夹：pascal_voc_seg/tfrecord，如下图：
2.4运行train.py
按照local_test.sh提示的，先训练十个迭代（Train 10 iterations.）
先按照本地的实际路径把对应的变量参数设置好
变量整理：===============================================CURRENT_DIR="D:/Project/pythonDemo/Seg"WORK_DIR="D:/Project/pythonDemo/Seg/deeplab"DATASET_DIR="datasets"# Set up the working directories.PASCAL_FOLDER="pascal_voc_seg"EXP_FOLDER="exp/train_on_trainval_set"INIT_FOLDER="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/init_models"TRAIN_LOGDIR="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train"EVAL_LOGDIR="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/eval"VIS_LOGDIR="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/vis"EXPORT_DIR="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/export"TF_INIT_ROOT="/models"TF_INIT_CKPT="deeplabv3_pascal_train_aug__01_04.tar.gz"PASCAL_DATASET="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/tfrecord"NUM_ITERATIONS=10#变量整理完了=======================================================
开始将外部参数对应的填好，放到pycharm参数设置里面
--logtostderr --training_number_of_steps=10 --train_split="trainval" --model_variant="xception_65" --atrous_rates=6 --atrous_rates=12 --atrous_rates=18 --output_stride=16 --decoder_output_stride=4 --train_crop_size="513,513" --train_batch_size=4 --fine_tune_batch_norm=true --tf_initial_checkpoint="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/init_models/deeplabv3_pascal_train_aug/model.ckpt" --train_logdir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train" --dataset_dir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/tfrecord"
第一次运行出错，需要加上下面两行代码可以正确输出。
import osos.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:1'
程序运行结果如下图：
检查输出文件夹D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train，如下图：
这是一个怪异的小插曲，这个图片永久保存，留着以后的某一天或许能解开答案。我本来截取的是本地文件夹“D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train”，粘贴上去怎么是下面这个图，本来没有在意，准备删除的时候细思极恐，故保留在这篇技术博客中间。我电脑上的所有软件或网页上从没有见过这个图片，我截图后粘贴进去就是这个图，电脑数据串行了还是平行时空混乱了？？？这个水印也是我的博客。zph .12.30
这是我的整个电脑屏幕截图，搞了两个显示器分屏显示的，一边调试一边写博客。
好了，上面小插曲绝对真实，现在还是个迷，或许三维空间的我们有很多东西理解不了吧，言归正传，继续向下运行eval.py文件
2.5运行eval.py
按照local_test.sh提示的
# Run evaluation. This performs eval over the full val split (1449 images) and# will take a while.# Using the provided checkpoint, one should expect mIOU=82.20%.
先按照本地的实际路径把对应的变量参数进行替换，外部传参改好后如下
--logtostderr --eval_split="val" --model_variant="xception_65" --atrous_rates=6 --atrous_rates=12 --atrous_rates=18 --output_stride=16 --decoder_output_stride=4 --eval_crop_size="513,513" --checkpoint_dir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train" --eval_logdir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/eval" --dataset_dir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/tfrecord" --max_number_of_evaluations=1
第一次运行出错，需要加上下面两行代码可以正确输出。
import osos.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:1'
下面这个图是我运行了两次的（一直发现GPU没有用上，进行了一次调试，运行一次时间太长，半个小时到一个小时，等后面再慢慢解决吧），第一次结果0.82左右与作者设想的差不多，第二次运行0.89了。
2.6运行vis.py
按照local_test.sh提示的将结果可视化
#Visualize the results.
整理好命令行如下，放进pycharm中外部传参进去运行
--logtostderr --vis_split="val" --model_variant="xception_65" --atrous_rates=6 --atrous_rates=12 --atrous_rates=18 --output_stride=16 --decoder_output_stride=4 --vis_crop_size="513,513" --checkpoint_dir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train" --vis_logdir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/vis" --dataset_dir="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/tfrecord" --max_number_of_iterations=1
第一次运行出错，需要加上下面两行代码可以正确输出。
import osos.environ['CUDA_VISIBLE_DEVICES'] = '/gpu:1'
午睡去了，运行自己停止，应该也有半个小时到一个小时左右
2.7运行export_model.py
按照local_test.sh提示应该是要导出模型
# Export the trained checkpoint.
整理好输入变量路径
CKPT_PATH="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train/model.ckpt-10"EXPORT_PATH="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/export/frozen_inference_graph.pb"
整理好传参命令：
--logtostderr --checkpoint_path="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/train/model.ckpt-10" --export_path="D:/Project/pythonDemo/Seg/deeplab/datasets/pascal_voc_seg/exp/train_on_trainval_set/export/frozen_inference_graph.pb" --model_variant="xception_65" --atrous_rates=6 --atrous_rates=12 --atrous_rates=18 --output_stride=16 --decoder_output_stride=4 --num_classes=21 --crop_size=513 --crop_size=513 --inference_scales=1.0
运行成功，如下图：
检查导出模型文件夹，成功生成模型文件
最后还有下面这段话：
# Run inference with the exported checkpoint.# Please refer to the provided deeplab_demo.ipynb for an example.
说的是生成的模型是pb格式的模型文件，怎么使用可以参考“deeplab_demo.ipynb”进行单独使用。
回过头来看deeplab_demo.ipynb代码，是通过下面这段代码加载的：
至此，这篇布置笔记差不多了，贯穿了数据集准备、模型训练、模型导出、模型使用。如果要用自己标注的数据集进行训练起始远远还不够，一些参数的设置，如何调参问题，出现异常怎么解决，后面需要花很多时间来一一解决。
