lsh1994 / keras-segmentation Goto Github PK

你好，我想请问一下，想要训练自己得数据集，做2分类，需要修改那些呢？

在代码调试的过程中，我发现decoder部分无法显示上采样后的shape，（？，？，？，？）只有这样的表达，不知道是不是在本身位置上采样的代码只适用于3通道的图像，还是灰度图像也适用，是我的代码某一步出现了问题

As following shows, the result is strange ,any body has met the same question?

非常感谢您分享代码，在学习您的代码时，我遇到了两个问题。
第一个是我在运行utils.py文件的时候，遇到错误

InvalidArgumentError (see above for traceback): indices[12] = [1, 5, 1, 0] does not index into shape [3,4,4,3]
[[{{node max_unpooling2d_1/max_unpooling2d_1/ScatterNd}} = ScatterNd[T=DT_FLOAT, Tindices=DT_INT32, _device="/job:localhost/replica:0/task:0/device:CPU:0"](max_unpooling2d_1/max_unpooling2d_1/transpose, max_unpooling2d_1/max_unpooling2d_1/Reshape_2, max_unpooling2d_1/max_unpooling2d_1/ScatterNd/shape)]]

我没能从网上找到解决方法。（但是我运行SegNet网络时，没有任何问题）

第二个问题是关于K.tf的问题。 请问K.tf就相当于tensorflow吗？我做了几个实验，tensorflow中的函数都可以用K.tf实验，但是我没有在网上找到任何关于K.tf的资料

博主你好~
我也是用的unet这个模型来训练，但是我最终的acc只有0.62，请问你知道如何提高吗？以及应该怎么计算meanIoU呢？

for c in range(nClasses): seg_labels[:, :, c] = (seg == c).astype(int)
你好，我刚刚接触语义分割。我在getSegmentationArr函数下面看到的这段代码，我的理解是 c 是从0开始循环的，这样的话是不是背景也作为需要FCN网络来训练的一部分呢？

您好，由于一些原因导致我只能设置"image_dim_ordering"为"th"，input shape就变成了 (channels, height, width)

而utils.py是假设input shape为(height, width, channels)的情况，同时我不懂里面的算法原理，所以没能修改。

有懂的大佬指点下如何更改吗？
非常感谢

And this is my problems:
File "train.py", line 61, in
shuffle=True)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/keras/legacy/interfaces.py", line 91, in wrapper
return func(*args, **kwargs)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/keras/engine/training.py", line 1418, in fit_generator
initial_epoch=initial_epoch)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/keras/engine/training_generator.py", line 217, in fit_generator
class_weight=class_weight)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/keras/engine/training.py", line 1217, in train_on_batch
outputs = self.train_function(ins)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/keras/backend/tensorflow_backend.py", line 2715, in call
return self._call(inputs)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/keras/backend/tensorflow_backend.py", line 2675, in _call
fetched = self._callable_fn(*array_vals)
File "/usr/local/miniconda3/envs/dl/lib/python3.6/site-packages/tensorflow/python/client/session.py", line 1439, in call
run_metadata_ptr)

您好,我同样参考了https://github.com/divamgupta/image-segmentation-keras这个项目,这个项目的后台是Theano,我想换成Tensorflow_gpu.但是当我修改完并运行后fcn8 时报错:OOM when allocating tensor with shape[1,1,4096,4096];运行fcn32时发现均报错:OOM when allocating tensor with shape[7,7,512,4096].尽管我将输入数据设置为只有一张图片--2562563.我不清楚为什么会出现这个问题及如何解决.我的环境是:python3.6.6,tensorflow_gpu 1.3.0,keras2.0.0,显卡为p2000,5G显存.如果需要我可以将代码发给您看看.

hello, i cannot download the dataset you gave.
could you please give dataset through baidunetdisk?

decode部分为什么没有使用反卷积函数而是直接使用conv2d函数，可以直接做到反卷积效果吗，可能我有些混淆，希望能得到解答，看了一些u-net相关的博客，还是不太明白

感谢您的工作。我使用您提供的代码和数据集，在验证集上的精度最高只有0.62，请问应该怎么提高呢？我使用的环境：

tensorflow=2.4.0
python=3.7.0

首先感谢您的代码和教程，我先拿您的数据集和代码训练和预测都是正常的结果，但是改成自己的数据集之后train的acc总是在几乎1的数值且无法正确分割测试集中的图片，基本上测试结果为纯色，感觉没有学习到什么东西，请问您这可能是什么原因呢？我的数据集是500*500的，原图为png格式，标签为8位png的索引图，按照voc的颜色表制作的。提前感谢您的解答了。

LoadBatched.py中的getImageArr，三个通道分别减去103.939、116.779、123.68。请问这步操作的目的是什么？还有这三个数有什么特殊含义吗？谢谢

你好，我看到了你的代码，数据集我用的第二个链接里的，怎么把数据集做成你们需要的结构，并且运行的步骤是什么？谢谢

楼主，我把numclass修改成2然后把loss和激活函数都修改了，结果预测出的图片是一种颜色的图片，难道还需要修改其他的么，数据集是没有问题的呀

首先非常感谢分享的代码！学到很多！
在FCN8模型中有一点小问题：为什么模型最终输出的shape是
（-1, nClasses）。理想的输出shape不应该是（batch_size,input_height, input_width,nClasses）么。因为模型提供ground truth的shape就是（batch_size, input_height, input_width, nClasses），keras在计算交叉熵的时候会自动将二者格式统一是么？如果是的话，是统一成（-1, nClasses）的格式么？具体代码如下：

`def FCN8(nClasses, input_height, input_width):

fcn8 = FCN8_helper(nClasses, input_height, input_width)

# Conv to be applied on Pool4
skip_con1 = Conv2D(nClasses, kernel_size=(1, 1), padding="same", activation=None, kernel_initializer="he_normal",
                   name="score_pool4")(fcn8.get_layer("block4_pool").output)
Summed = add(inputs=[skip_con1, fcn8.output])

x = Conv2DTranspose(nClasses, kernel_size=(2, 2), strides=(2, 2), padding="valid", activation=None,
                    name="score4")(Summed)

###
skip_con2 = Conv2D(nClasses, kernel_size=(1, 1), padding="same", activation=None, kernel_initializer="he_normal",
                   name="score_pool3")(fcn8.get_layer("block3_pool").output)
Summed2 = add(inputs=[skip_con2, x])

#####
Up = Conv2DTranspose(nClasses, kernel_size=(8, 8), strides=(8, 8),
                     padding="valid", activation=None, name="upsample")(Summed2)

Up = Reshape((-1, nClasses))(Up)#这里的shape设置
Up = Activation("softmax")(Up)

mymodel = Model(inputs=fcn8.input, outputs=Up)

return mymodel`