Question

我正尝试训练自己的数据集，就像您的实验一样（2 CLASS包括backgroud），但输出为空标签图像是PNG格式的图像，具有2种颜色（0用于背景，1用于前景）

SEG_INFORMATION = DatasetDescriptor(
splits_to_sizes={
    'train': 250, # number of file in the train folder
     'trainval': 255,
     'val': 5,
},
     num_classes=2, # number of classes in your dataset

ignore_label=255, # white edges that will be ignored to be class

not_ignore_mask = tf.to_float(tf.equal(scaled_labels, 0)) * 1 + tf.to_float(tf. equal(scaled_labels, 1)) * 500 + tf.to_float(tf.equal(scaled_labels, ignore_label)) * 0

！https://user-images.githubusercontent.com/23016323/52344967-fb472600-2a13-11e9-8841-0d0c5c7dde72.png

这些是我尝试过的配置和我使用的示例标签图像

我希望将输出分段，但图像空白

Answer 1

因此，数据集的一般定义对我来说很好。不过，250张训练图像并不多。我从未使用过如此大小的数据集，所以我不能保证以下内容对您有帮助...

我有一些建议/问题，可能会有所帮助：

1）您的网络预测哪个标签（==“空白”图像是什么意思）？您是指原始预测标签（在两种情况下都应为“黑色”，因为0和1都是相当黑的灰度值）或彩色图像，那么您正在使用哪种颜色图（帕斯卡？）以及这两种颜色都很有趣标签用黑色表示。

2）如果您的网络始终预测“前景”，则您的加权系数500可能太高。您的网络可能会不惜一切代价避免对前景进行FN预测，从而得到全部前景的图像。

3）出于调试目的：尝试使您的网络能够真正学习一些训练图像（使用相同的图像进行测试和训练）。如果标签和培训设置正确无误，则您的网络可能会适合某些培训示例。

4）确保您馈入网络的groundtruth确实具有两个有效标签：0和1。如果您将附加图像作为groundtruth馈入网络，则将学习标签0，并且将“白色”对象被忽略，因为255是被忽略的标签

5）如果使用deeplab，请确保对骨干网使用了预先训练的初始化！另外，您正在使用哪个骨干网会很有趣？我希望使用小型/紧凑型网络（带有移动网络的Deeplab，初始网络等）对基于250张图像的培训会有所帮助。

我希望其中一项建议对您有所帮助。干杯；）

如何修复'Deeplab张量流模型训练自己的数据集'输出空白图像

1 个答案: