MultiNet能够同时完成道路分割、汽车检测和道路分类的任务。

MultiNet能够同时完成道路分割、汽车检测和道路分类的任务。MultiNet模型的实时存档速度和分割性能都处于最先进水平。详细的模型描述请查阅我们的论文。
优化后的MultiNet模型在实时速度下表现良好，其要素KittiSeg在道路分割方面设置了一项新的最先进技术，而另一要素KittiBox在推理速度和检测性能上对基线Faster-RCNN进行了改进。
该模型被设计为encoder-decoder架构，在每项任务中使用一个VGG编码器和几个独立解码器。此存储库包括允许在一张网络中将几个tensorflow模型的通用代码组合在一起，不可视任务的代码由KittiSeg、KittiBox和KittiClass存储库提供，这些存储库在该项目中作为子模块。该项目的构建旨在与TensorVision后端兼容，后端能够以十分简洁的方式组织实验。

要求
代码需要Tensorflow 1.0版本以及以下python库：

•matplotlib

•numpy

•Pillow

•scipy

•runcython

这些模块可以通过以下代码进行安装：

pip install numpy scipy pillowmatplotlib runcython or pip install -r requirements.txt。

建立

1、克隆该存储库：https://github.com/MarvinTeichmann/MultiNet.git

2、将所有子模块初始化：git submodule update–init –recursive

3、通过 ‘cd submodules / KittiBox /submodules / utils / && make构建cython代码

4、[可选]下载KittiRoad数据：

ⅰ. 这里检索kitti数据url网址: http://www.cvlibs.net/download.php?file=data_road.zip

ⅱ.指令python download_data.py –kitti_url URL_YOU_RETRIEVED

5、[可选]运行cdsubmodules / KittiBox / submodules / KittiObjective2 / && make构建Kitti评估代码（更多详细信息请参阅子模块/ KittiBox /submodules / KittiObjective2 / README.md）

使用demo.py运行模型只需要完成步骤1至3。只有当您想使用train.py训练模型时，才需要步骤4和5。需要注意的是，我建议使用download_data.py，而不是自行下载数据。该脚本还将提取并准备相应的数据。如果您想控制数据的存储位置，请参阅“管理数据存储”这部分内容。

教程

入门

运行：python demo.py –gpus 0 –inputdata / demo / um_000005.png使用demo.png作为输入指令以获取预测信息。

运行：python evaluate.py对一个训练模型进行评估。

运行：python train.py –hypes hypes /multinet2.json训练一个multinet2模型

如果您想理解这些代码，我建议先查看demo.py。我已经在文件中尽可能地记录下每个步骤。

只有MultiNet3（同时完成检测和分割任务）的训练是开箱即用的。用于训练分类模型的数据是不公开的，不能用于训练完整的MultiNet3（用于检测、分割和分类任务）模式。完整的代码已在此提供，因此，如果您有自己的数据，您仍然可以训练MultiNet3模型。

管理数据存储

MultiNet允许将数据存储与代码分离。这在许多服务器环境中非常受用。默认情况下，数据存储在MultiNet / DATA文件夹和MultiNet / RUNS中运行输出。可以通过设置bash环境变量TVDIRDATA和 TV_DIR_RUNS来更改此行为。

在.profile中，包括导出TV_DIR_DATA =“/ MY / LARGE / HDD / DATA”在内，所有数据将被下载到/ MY / LARGE / HDD / DATA /。在您的.profile中包括导出TV_DIR_RUNS =“/ MY / LARGE / HDD / RUNS”，所有运行将保存到/ MY / LARGE / HDD / RUNS / MultiNet

修改模型并在您自己的数据上进行训练

该模型由文件hypes / multinet3.json控制。此文件将代码指向对子模型的实现过程中。使用MultiNet代码，将已提供的所有模型进行加载，并将解码器集成到一个神经元网络中。要在您自己的数据上进行训练，足以修改子模型的hype文件。从KittiSeg入手将是最佳选择，KittiSeg是有据可查的。

RUNDIR和实验组织

MultiNet可帮助您组织大量实验。为此，每次运行的输出都存储在MultiNet的rundir中。每个rundir包含：

•output.log 打印到屏幕上的一个训练输出副本

•tensorflowevents可在rundir中运行

•tensorflow checkpoints，训练模型可从rundir中加载

•[dir]images一个包含示例输出图像的文件夹。 image_iter控制整个验证集的转储频率

•[dir] model_files为构建模型所需的所有源代码的副本。如您有很多版本的模型，此项操作对您是很有帮助的。

为跟踪所有实验，您可以以—name为flag，为每个rundir建立独特的名称。–project flag将运行存储在单独的子文件夹中，可以运行不同系列的实验。例如，运行python train.py –project batch_size_bench –name size_5将使用dir作为rundir：$ TV_DIR_RUNS/ KittiSeg / batch_size_bench / size_5_KittiSeg_2017_02_08_13.12。

使用flag–nosave非常有用，而非在rundir中插入垃圾信息。

有用的Flag＆Variabels

以下Flag在使用KittiSeg和TensorVision时将会起到帮助，所有Flag可用于所有脚本。

–hypes：指定hype文件的使用

–logdir：指定logdir的使用

–gpus：指定在哪些GPU上运行代码

–name：为运行程序分配一个名称

–project：将项目分配给运行程序

–nosave：调试运行，logdir将被设置为debug

此外，以下TensorVision环境中的Variables将非常有用：

$ TV_DIR_DATA：指定数据的元目录

$ TV_DIR_RUNS：指定输出的元目录

$ TV_USE_GPUS：指定默认GPU行为

在集群上，设置$ TV_USE_GPUS = force是有用的。这将使flag—gpus变为强制性操作，并确保在正确的GPU上运行。

论文地址：https://arxiv.org/pdf/1612.07695.pdf

GitHub资源：https://github.com/MarvinTeichmann/MultiNet

MultiNet能够同时完成道路分割、汽车检测和道路分类的任务。MultiNet模型的实时存档速度和分割性能都处于最先进水平。详细的模型描述请查阅我们的论文。

优化后的MultiNet模型在实时速度下表现良好，其要素KittiSeg在道路分割方面设置了一项新的最先进技术，而另一要素KittiBox在推理速度和检测性能上对基线Faster-RCNN进行了改进。

该模型被设计为encoder-decoder架构，在每项任务中使用一个VGG编码器和几个独立解码器。此存储库包括允许在一张网络中将几个tensorflow模型的通用代码组合在一起，不可视任务的代码由KittiSeg、KittiBox和KittiClass存储库提供，这些存储库在该项目中作为子模块。该项目的构建旨在与TensorVision后端兼容，后端能够以十分简洁的方式组织实验。

要求

代码需要Tensorflow 1.0版本以及以下python库：

•matplotlib

•numpy

•Pillow

•scipy

•runcython

这些模块可以通过以下代码进行安装：

pip install numpy scipy pillowmatplotlib runcython or pip install -r requirements.txt。

建立

1、克隆该存储库：https://github.com/MarvinTeichmann/MultiNet.git

2、将所有子模块初始化：git submodule update–init –recursive

3、通过 ‘cd submodules / KittiBox /submodules / utils / && make构建cython代码

4、[可选]下载KittiRoad数据：

ⅰ. 这里检索 kitti 数据url网址: http://www.cvlibs.net/download.php?file=data_road.zip

ⅱ.指令python download_data.py –kitti_url URL_YOU_RETRIEVED

5、[可选]运行cdsubmodules / KittiBox / submodules / KittiObjective2 / && make构建Kitti评估代码（更多详细信息请参阅子模块/ KittiBox /submodules / KittiObjective2 / README.md）

使用demo.py运行模型只需要完成步骤1至3。只有当您想使用train.py训练模型时，才需要步骤4和5。需要注意的是，我建议使用download_data.py，而不是自行下载数据。该脚本还将提取并准备相应的数据。如果您想控制数据的存储位置，请参阅“管理数据存储”这部分内容。

教程

入门

运行：python demo.py –gpus 0 –inputdata / demo / um_000005.png使用demo.png作为输入指令以获取预测信息。

运行：python evaluate.py对一个训练模型进行评估。

运行：python train.py –hypes hypes /multinet2.json训练一个multinet2模型

如果您想理解这些代码，我建议先查看demo.py。我已经在文件中尽可能地记录下每个步骤。

只有MultiNet3（同时完成检测和分割任务）的训练是开箱即用的。用于训练分类模型的数据是不公开的，不能用于训练完整的MultiNet3（用于检测、分割和分类任务）模式。完整的代码已在此提供，因此，如果您有自己的数据，您仍然可以训练MultiNet3模型。

管理数据存储

MultiNet允许将数据存储与代码分离。这在许多服务器环境中非常受用。默认情况下，数据存储在MultiNet / DATA文件夹和MultiNet / RUNS中运行输出。可以通过设置bash环境变量TVDIRDATA和 TV_DIR_RUNS来更改此行为。

在.profile中，包括导出TV_DIR_DATA =“/ MY / LARGE / HDD / DATA”在内，所有数据将被下载到/ MY / LARGE / HDD / DATA /。在您的.profile中包括导出TV_DIR_RUNS =“/ MY / LARGE / HDD / RUNS”，所有运行将保存到/ MY / LARGE / HDD / RUNS / MultiNet

修改模型并在您自己的数据上进行训练

该模型由文件hypes / multinet3.json控制。此文件将代码指向对子模型的实现过程中。使用MultiNet代码，将已提供的所有模型进行加载，并将解码器集成到一个神经元网络中。要在您自己的数据上进行训练，足以修改子模型的hype文件。从KittiSeg入手将是最佳选择，KittiSeg是有据可查的。

RUNDIR和实验组织

MultiNet可帮助您组织大量实验。为此，每次运行的输出都存储在MultiNet的rundir中。每个rundir包含：

•output.log 打印到屏幕上的一个训练输出副本

•tensorflowevents可在rundir中运行

•tensorflow checkpoints，训练模型可从rundir中加载

•[dir]images一个包含示例输出图像的文件夹。 image_iter控制整个验证集的转储频率

•[dir] model_files为构建模型所需的所有源代码的副本。如您有很多版本的模型，此项操作对您是很有帮助的。

为跟踪所有实验，您可以以—name为flag，为每个rundir建立独特的名称。–project flag将运行存储在单独的子文件夹中，可以运行不同系列的实验。例如，运行python train.py –project batch_size_bench –name size_5将使用dir作为rundir：$ TV_DIR_RUNS/ KittiSeg / batch_size_bench / size_5_KittiSeg_2017_02_08_13.12。

使用flag–nosave非常有用，而非在rundir中插入垃圾信息。

有用的Flag＆Variabels

以下Flag在使用KittiSeg和TensorVision时将会起到帮助，所有Flag可用于所有脚本。

–hypes：指定hype文件的使用

–logdir：指定logdir的使用

–gpus：指定在哪些GPU上运行代码

–name：为运行程序分配一个名称

–project：将项目分配给运行程序

–nosave：调试运行，logdir将被设置为debug

此外，以下TensorVision环境中的Variables将非常有用：

$ TV_DIR_DATA：指定数据的元目录

$ TV_DIR_RUNS：指定输出的元目录

$ TV_USE_GPUS：指定默认GPU行为

在集群上，设置$ TV_USE_GPUS = force是有用的。这将使flag—gpus变为强制性操作，并确保在正确的GPU上运行。

论文地址：https://arxiv.org/pdf/1612.07695.pdf

GitHub资源：https://github.com/MarvinTeichmann/MultiNet