---

1. 简介

在计算机视觉领域，语义分割指的是将数字图像细分为多个图像子区域的过程
语义分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析
语义分割通常用于定位图像中的物体和边界（线，曲线等）
更精确的，语义分割是对图像中的每个像素加标签的一个过程，
这一过程使得具有相同标签的像素具有某种共同视觉特性

语义分割的领域非常多，无人车、地块检测、表计识别等等

---

2. 源码

根据GitHub上开源的代码 Sharpiless FCN-DenseNet 进行一些更改：

1. 调整数据集分布
2. 新增训练和检验过程可视化
3. 新增数据集处理工具
4. 新增预训练模型
5. 新增少许自定义参数等

可以通过以下渠道下载：

• GitHub：FCN-DenseNet
• CSDN：FCN-DenseNet
• Gitee：FCN-DenseNet

---

3. 数据集

---

3.1 开源数据集

本案例使用飞桨里的一个例子的 Oxford-IIIT Pet数据集
里面包含了宠物照片和对应的标签数据
宠物图片在 /images
标签数据在 /annotations/trimaps
具体详情参考 飞桨官方文档说明

这边标签是灰度图，还需要在处理一下，利用 tool_img2mask.py 根据实际情况将所有标签图片转换为所需的格式

左边为原图标签，宠物为1，背景为2，边缘为3，这里处理后只保留宠物特征

然后通过 tool_img2data.py 将原图和标签打乱并按比例分配到新的地址成为训练集和测试集
原图训练集：/resources/images/data/train/img
标签训练集：/resources/images/data/train/mask
原图测试集：/resources/images/data/test/img
标签测试集：/resources/images/data/test/mask

---

3.2 自定义数据集

---

3.2.1 建立数据集文件夹

在工程中新建文件夹 /resources/images/data_json，将所有数据原图均放置于此

这里以Oxford-IIIT Pet数据集的第一张图片为例

---

3.2.2 标注

使用 开源的数据标注工具Labelme
安装也比较简单，版本不要太高了，后面用的时候会有问题：

$ pip3 install labelme==3.16.2
1

在 /resources/images/data_json启动 Labelme

$ labelme
1

保存为 json 格式，并在同一地址，后续方便转换处理

---

3.2.3 转化

此时再通过 tool_json2dataset.py 转化所有文件并生成原图和标签图片

此时所有可以利用的数据均在 /resources/images/dataset 文件夹中

然后同样通过 tool_dataset2data.py 将 dataset 中的原图和标签打乱并按比例分配到新的地址成为训练集和测试集
原图训练集：/resources/images/data/train/img
标签训练集：/resources/images/data/train/mask
原图测试集：/resources/images/data/test/img
标签测试集：/resources/images/data/test/mask

---

4. 训练

为了有足够强大的数据，这里使用处理过的Oxford-IIIT Pet数据集
根据自己电脑硬件合理调整参数进行训练，执行train.py文件

默认每5次迭代验证并保存最优的模型于 parameters_densenet121 文件夹

parser.add_argument('--svae_interval', type=int, default=5)  # svae interval
1

---

5. 验证

执行test.py文件

可以在 resources/images/data/test 看到分割的效果图：

抽取mask里的图片出来对比效果：

还是可以的

---

谢谢