dspth
├── images
│ └── train
│ └── val
└── labels_png (png中背景灰度值0,其他类别灰度值按照 1、2 顺延)
│ └── train
│ └── val
注： json_to_png.py脚本可以将labelme标注的 json格式分割数据 转换成 png格式的分割图像,使用EiSeg标注工具可以标注png格式的数据 (或者根据json中数据信息由通义千问生成合适的代码)
相比原始代码改动如下：
修改 model_stages.py中 InPlaceABNSync表示的BatchNorm2d函数为torch.nn.BatchNorm2d
修改 model_stages.py中 F.avg_pool2d 为 F.adaptive_avg_pool2d (adaptive_avg_pool2d不需要变量做输入,这样导出动态onnx的时候不报错)
修改 testdata.py 中get_label_path函数中png_path路径(test_data.py是重写的数据读取部分)
修改 train_bbdd.py(train.py是源码中原始文件,不用)中如下
--- n_classes 为类别数目
--- respath 模型训练完成后的保存路径
--- dspth 训练数据所在路径
--- max_iter 最大迭代次数,修改成100000以上有较好效果
--- pretrain_path 提前下载的预训练模型文件
注： 预训练模型的下载地址： - BaiduYun Link: https://pan.baidu.com/s/1OdMsuQSSiK1EyNs6_KiFIw Password: q7dt - GoogleDrive Link: https://drive.google.com/drive/folders/1wROFwRt8qWHD4jSo8Zu1gp1d6oYJ3ns1?usp=sharing
修改 predict.py 中如下
--- respth 为训练得到的模型路径
--- dspth 为测试数据集的路径
--- outpth 为验证结果的保存路径
export.py 修改：
--- from models.model_stages import BiSeNet 修改为 models.model_stages_export import BiSeNet
--- save_pth_path为训练得到的pth模型路径, onnx模型将保存在pth同级目录下
--- output_names 网络有多少输出 output_names 就设定几个名称
--- dynamic_axes 参数可以指定输出中哪个维度是可变的
< D221 div class="markdown-heading" dir="auto">
