【FCN实践】03 训练
来源:互联网 发布:工程动画软件 编辑:程序博客网 时间:2024/05/17 01:27
Fully Convolutional Networks for Semantic Segmentation
——————————————————————————————————————————
【FCN实践】01 常见问题 http://blog.csdn.net/binlearning/article/details/72854136
【FCN实践】02 模型迁移及初始化 http://blog.csdn.net/binlearning/article/details/72854244
【FCN实践】03 训练 http://blog.csdn.net/binlearning/article/details/72854407
【FCN实践】04 预测 http://blog.csdn.net/binlearning/article/details/72854583
【项目源码】https://github.com/binLearning/fcn_voc_32s
——————————————————————————————————————————
经过参数迁移及初始化以后,可以用两种方法来进行训练。一是caffe命令行形式,二是python程序形式。
1.命令行形式
path-to-caffe/build/tools/caffe train -solver solver.prototxt -weights voc_fcn32s_trans_init.caffemodel -gpu 0
solver. prototxt
train_net: "./model/voc_fcn32s_train.prototxt"test_net: "./model/voc_fcn32s_val.prototxt"test_iter: 736# make test net, but don't invoke it from the solver itselftest_interval: 8498display: 100average_loss: 20lr_policy: "fixed"# lr for unnormalized softmaxbase_lr: 1e-10# high momentummomentum: 0.99# no gradient accumulationiter_size: 1max_iter: 849800weight_decay: 0.0005snapshot: 8498snapshot_prefix: "snapshot/voc_fcn32s"test_initialization: false
注:
①模型需要先经过参数迁移及初始化处理;
②solver. prototxt中需要设置有效的测试间隔(test_interval);
③python layer操作实现文件(voc_layers.py)放到path-to-caffe/python文件夹中。
2.python程序形式
根据官网开源程序修改。
import osimport sysimport numpy as npimport caffeimport scoreweights = './model/voc_fcn32s_trans_init.caffemodel'# initcaffe.set_device(0)caffe.set_mode_gpu()solver = caffe.SGDSolver('solver.prototxt')solver.net.copy_from(weights)# scoringval = np.loadtxt('./data/segvalid11.txt', dtype=str)for _ in range(100): solver.step(8498)#score.seg_tests(solver, False, val, layer='score')score.seg_tests(solver, 'val_save_{0}', val, layer='score')
注:
①测试间隔由solver.step(8498)中的数值控制;
②score.seg_tests函数中的第二个形参如果有效则会存储测试时的score图像。
3.改进score图像
原程序中保存图像为灰度图,标签值即像素值,但标签值很小([1,20])所以预测结果不容易观察,现改成以对应的颜色来表示物体,保存为颜色图。
4.训练概况
5.训练各阶段预测示例
2007_000033
2007_000491
2007_009521
- 【FCN实践】03 训练
- fcn 实践
- 【FCN实践】01 常见问题
- 【FCN实践】04 预测
- FCN网络训练 终极版
- FCN 全卷积网络训练
- FCN-加载训练与测试数据
- FCN网络训练训练——从零开始
- R-FCN+ResNet-50 训练模型
- FCN模型训练中遇到的困难
- Mxnet(4)-fcn训练自己的数据
- FCN网络训练 SIFTFLOW数据集
- R-FCN resnet50 训练自己的数据
- FCN用自己的数据训练1
- 基于caffe的fcn网络的训练
- FCN模型训练中遇到的困难
- R-FCN训练自己的模型
- windows下进行FCN图像训练分割
- MyBatis配置文件config详解
- 区队选拔
- U盘系统盘制作(win7 32&64)
- request.getRequestDispatcher()的两个方法forward()/include()
- JavaWeb学习十七(面向接口编程)
- 【FCN实践】03 训练
- Android UI 流畅度相关
- 2017年上海金马五校程序设计竞赛之—Sailing(优先队列+广搜)
- javascript继承
- 52. N-Queens II
- UCloud 的安全秘钥(简单)解题报告
- Testing your USB Webcam开摄像头
- MaBatis的模糊查询与存储过程
- 基础加强:类加载器 ---注解 ---动态代理(装饰设计模式)