基于深度学习的自动检测与语义图像分割
deeposlandia的Python项目详细描述
在本项目中，我们使用[mapillary]提供的一组图像（https://www.mapillary.com/）来调查一些典型街道场景对象（车辆、道路、
行人……）的存在。Mapillary于2017年7月发布了这个数据集，它可以[在其网站上]（https://www.mapillary.com/dataset/vistas）
，并且可以免费下载用于研究目的。
作为输入，Mapillary在"图像"存储库中提供了一组不同大小的街道场景图像。以及在
"实例"和"标签"存储库中过滤后的相同图像。后者至关重要，因为过滤后的
图像实际上是由一组缩减颜色中的像素组成的。实际上，
每种对象类型有一种颜色；总共有66种对象类型。
！[图像示例，带过滤版本]（./images/mvd_m2kh24n9c72sico990uew.png）
训练集中有18000个图像，验证集中有2000个图像，
测试集中有5000个图像。该测试集仅用于
模型测试，不包含图像的过滤版本。
为了完成该项目，使测试更容易，还可以使用随机生成的形状模型。在这个数据集中，一些简单的彩色几何图形被插入到每张图片中，
在完全随机模式下。每个图像可以有一个矩形、一个圆和/或一个三角形，或者两者都不能。它们在每个图像中的位置是随机生成的（它们不能太靠近图像边界）。形状和背景颜色也是随机生成的。
下面的图片显示了这样生成的图像示例：
！[形状图像示例]（./images/shape_.png）
在[oslandia blog]（http://oslandia.com/en/blog/）上发布了关于这个主题的
+[deeposlandia]（./deeposlandia）包含了主要的python模块来训练和测试卷积
神经网络
+[images]（./images）也包含了一些示例图像来说明mapillary数据集。正如
一些预处理分析结果
+[笔记本]（./笔记本）包含一些jupyter笔记本，这些笔记本旨在描述数据或基本的
神经网络结构
+[测试]（./测试）包含一些测试模块，以保证一堆代码片段的功能；
` pytest`框架。
运行代码可能会在数据存储库中生成额外的子目录。
+pil
+tensorflow
作为注释，该代码已使用python3（版本3.5）运行。这些依赖项在
`setup.py`文件中调用，开发目的的附加依赖项列在
`requirements-dev.txt`.
安装-r requirements-dev.txt
```
在进行任何神经网络训练之前，必须生成原始mapillary数据集的预处理版本：
````
python deeposlandia/datagen.py-d mapillary-s 224-a-p./any data path-t 18000-v 2000-t 5000
```
基于Mapillary数据集的图像。原始
数据集必须位于`./any data path/input`。如果指定了"-a"参数，则预处理的
数据集将存储在`./any data path/preprocessed/224_aggregated`，否则将
存储在`./any data path/preprocessed/224_full`。该聚合应用于数据集标签，
可按mapillary大小写分组（且仅限mapillary大小写），以将其数目从65个减少到11个。
此外，预处理的数据集可能包含的图像比原始数据集少：t `，`-v`
和"-t"参数分别指训练、验证和测试图像数量。作为示例显示的
数量与原始数据集大小相对应。
在shapes数据集的情况下，此预处理步骤将从头生成一堆图像。
出现在预处理的数据集中）。
512*512地图图像将从训练特征检测
模型中得到利用。在这里，训练将进行五个阶段。在培训结束时，总是要进行推理步骤。
这里是这个程序处理的参数：
+`-a`：聚合标签（*例如.*car`、`truck`或`caravan`…）在"车辆"标签中；如果应用于"形状"数据集，则不执行任何操作。
+`-b`：指示批大小（每个训练批的图像数，默认为50个）。
+`-d`：数据集（mapillary或"形状"）。
+`-d`：训练过程中丢失的神经元百分比。默认值为1.0，无脱落。
+`-e`：历元数（一个历元表示扫描每个训练图像）。默认值=0，
模型未经过训练，从上次训练的模型开始推理。
+`-h`：显示帮助消息。
+`-ii`：测试图像数（根据Mapillary数据集，默认值为5000）。
+`-it`：训练图像数（默认值为18000，根据mapillary数据集）。
+`-iv`：验证图像数（根据mapillary数据集，默认为2000个）。
+`l`：开始学习速率。默认值为0.001。
+`L`：学习率衰减（根据[ADAM优化器定义]（https://keras.io/optimizers/adam））。默认为1e-4。
+`-m`：考虑到研究问题，要么是"特征检测"（确定图像上是否有标记的对象）要么是"语义分割"（对图像的每个像素进行分类）。
+`-n`：神经网络架构，要么是"简单"（默认值），要么是"vgg16"特征
检测问题，"simple"是语义分割的唯一处理架构。
+`-n`：神经网络名称，用于检查点路径命名。默认为"cnn"。
+`-p`：文件系统上数据集的路径。默认为`./data`.
+`-s`：图像大小，以像素为单位（高度=宽度）。默认值为256。
模型测试
经过训练的模型可以在训练过程之后进行测试。模型训练完成后，检查点结构将记录在`<；datapath>；/<；dataset>；/output/<；problem>；/检查点/<；instance name>；`。这是
推理的关键点。
对于
功能检测案例中的"shapes"数据集。默认情况下，通过假设已生成优化模型（例如有关超参数的*
），将在
`<；datapath>；/<；dataset>；/output/<；problem>；/checkpoints/`'中恢复训练模型。如果指定了超参数（训练批
大小、辍学率、st学习率、学习率衰减、模型结构甚至模型名称），知道图像大小是由第一个测试图像给定的，训练后的模型在`<；datapath>；/<；dataset>；/output/<；problem>；/checkpoints/<；instance>；/`，其中`<；实例>；`is
定义为：
```
<；模型名称>；-<；图像大小>；-<；网络结构>；-<；批量大小>；-<；聚合模式>；-<；退出>；-<；启动<；lr>；-<；lr衰变>；
```
标签预测是从头开始的
（而且会相当不准确……。
已处理参数的列表如下：
+`-a`：聚合标签。用于指出精确的配置文件，以便获取数据集中的
标签数。
+`-b`：训练图像批大小。默认为"无"（目的是识别训练模型）。
+`-d`：数据集（mapillary或shapes）
+`-d`：训练过程中丢失的神经元百分比。默认为"none"（用于
识别训练模型）。
+`-i`：测试图像的路径，可以处理用于多图像选择的regex。
+`l`：开始学习速率。默认为"none"（目的是识别经过训练的模型）。
+`l`：学习率下降（根据[adam优化器定义]（https://keras.io/optimizers/\adam））。默认为"无"（目的是识别经过训练的模型）。"特征检测"（确定图像上是否有标记的对象）或"语义分割"（对图像的每个像素进行分类）。
+`-n`：训练的模型神经网络结构。默认为"none"（目的是识别经过训练的
模型）。
+`-n`：神经网络名称。默认为"none"（目的是识别经过训练的模型）。
+`-p`：文件系统上数据集的路径。默认为`./data`.
欢迎加入QQ群-->： 979659372
