【FCN实践】03 训练

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