yolact训练自己的数据集,yolo-fastest训练自己的数据集

  yolact训练自己的数据集,yolo-fastest训练自己的数据集

  代码原址:https://github。com/hello chick/ICNet-张量流

  参考:

  PSPNet-tensorflow实现并训练数据【图像语义分割】标签数据的标注给我贴标签(python)一、修改行业商务互联网参数类别四类(其中0为背景)

  推论。巴拉圭火车。巴拉圭修改数量_类别(城市景观_类别)为对应类别四修改忽略标签为0(背景为0)icnet _ city scapes。proto txt icnet _ city scapes _ bnno合并。原始文本修改数量_输出为对应类别4 tools.py(与数据集中的类别颜色无关,与输出颜色有关)修改颜色标签颜色标签颜色=[[0,0,0],[128,0,0],[0,128,0],[128,128,0]]# 0=背景,1=危险1,2=危险2,3=警告网络。巴拉圭在加载预训练模型时,由于最后一层分类层输出个数与预训练模型不同,所以加载时候要将最后一层删除def load(self,data_path,session,ignore_missing=True): 加载网络权重. data _ path:numpy序列化网络权重会话的路径:当前张量流会话忽略_缺失:如果为没错,则忽略缺失图层的序列化权重. data_dict=np.load(data_path,encoding=latin1 ).数据字典中op_name的item():带TF。variable _ scope(op _ name,reuse=True): for param_name,data_dict[op_name]中的数据. items():try:if BN in op _ name:param _ name=BN _ param _ map[param _ name]var=TF。get _ variable(参数名称)#新增如果" conv6_cls "不在var.name中:会话。运行(var。assign(data))异常值错误:if not ignore _ missing:引发推理。巴拉圭选择使用的检查点如果参数。model== others :ckpt=TF。火车。get _ check point _ state(model _ path)print( ckpt:,ckpt)if ckpt。模型_检查点_路径:loader=TF。火车。saver(var _ list=TF。global _ variables())load _ step=int(OS。路径。basename(ckpt。all _ model _ check point _ paths[3]).split(-)[1]) load(loader,sess,ckpt。all _ model _ check point _ paths[3])#选择保存的五个检查站的第四个否则:打印(未找到检查点文件。)二、制作数据集之前输出一直得到全黑图像,我修改了两个地方,具体不知道是哪个起了作用1、label_img单通道采用拉贝梅制作数据集,得到。数据文件。数据文件应该要转换成单通道的图像标签me_json_to_dataset文件名。数据得到四个文件*.label.png,label_viz.png,其中label.png即是我们要的标签_数据。但是拉贝梅输出的不是单通道的(不仅有类别信息还有颜色信息),修改/Users/xxxx/.pyenv/versions/anaconda 3-5。0 .1/envs/label me/lib/python 3.6/site-packages/label me/utils/_ io。py def LBL保存(文件名,LBL):如果OSP。分割扩展名(文件名)[1]!=.png :文件名=。png #假设int32的标签ranes[-1,254,#,uint8的标签ranes[0,255]为挥发性有机化合物.如果lbl.min()=-1且lbl.max() 255: lbl_pil=PIL .形象。从阵列(LBL。astype(NP。uint 8),mode= L )# P # colormap=label _ colormap(255)# LBL _皮尔。放置调色板((colormap * 255).astype(np.uint8).flatten())LBL _皮尔。保存(文件名)else:logger。警告([% s]无法将按像素分类的标签保存为PNG, 因此请使用神经肽y文件。%文件名)得到一张黑色的图像,可以用矩阵实验室将其打开,为一个包含0~4矩阵2、训练图片训练的原始图片使用由。数据得到的img.png而不是原始的1.jpg

yolact训练自己的数据集,yolo-fastest训练自己的数据集