向AI轉(zhuǎn)型的程序員都關(guān)注了這個號??????

人工智能大數(shù)據(jù)與深度學(xué)習(xí) 公眾號：datayx

一，手提包數(shù)據(jù)集

數(shù)據(jù)集下載：用pytorch寫FCN進行手提包的語義分割。

training

https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last

放到bag_data文件夾下

ground-truth label

https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last_msk

放到bag_data_mask文件夾下

項目目錄結(jié)構(gòu)：

訓(xùn)練數(shù)據(jù)：

訓(xùn)練label：

從這個手提包數(shù)據(jù)集可以看出，這是個二分類的，就是只分割出手提包和背景兩個類別。所以label處黑色的表示手提包，白色的就是無關(guān)的背景。

二，訓(xùn)練代碼（用來讀取數(shù)據(jù)集，包括手提包圖片和手提包圖片的label）

代碼獲取方式：

分享本文到朋友圈

關(guān)注微信公眾號 datayx 然后回復(fù) 手提包即可獲取。

AI項目體驗地址 https://loveai.tech

店鋪地址：

https://shop585613237.taobao.com

↓

2.1：數(shù)據(jù)集讀取的代碼

貼了數(shù)據(jù)集讀取的代碼后，我覺得有必要說一下onehot這個函數(shù)。

1.就是數(shù)據(jù)集label的onehot化：

onehot化是把label化成一個一維向量。

onehot化的函數(shù)如下：

輸入的data為以灰度圖形式讀取的label，n為分割的類別數(shù)(此數(shù)據(jù)集是2)

buf = np.zeros(data.shape + (n, ))

#設(shè)data的shape為(a,b)，則構(gòu)造一個全0矩陣，維度為(a,b,n)

因為n是2，所以意思就是，2層的(a，b)的全0矩陣，一層用來表示手提包的，剩下一層則是用來表示背景的。

nmsk = np.arange(data.size)*n + data.ravel()

這行則比較妙一點，首先設(shè)data的size為5，則arange(5)為，(0，1，2，3，4)，其實就是表示data各個元素的位置。arange(5)*2為(0，2，4，6，8)，其實這是變相表示原來長度x2的位置。而data因為是label，且歸一化過的，所以data里的值要么是0要么是1，data.ravel()是把data展成一維數(shù)組，arange(5)*2+data.ravel()意思是在(0，2，4，6，8)中，表示手提包的則+1，表示背景的則+0。這里打個比方，例如第三個和第五個位置是表示手提包的，則是(0，2，5，6，9)，到這里可能還看不出什么，結(jié)合下一句代碼就明白了。

buf.ravel()[nmsk-1] = 1

用回剛剛的例子(0，2，5，6，9)，nmsk-1后，是(9，1，4，5，8)，與初始的(0，2，4，6，8)對比，若原來是1的位置會保持原樣(因為+1后又-1了)，而原本是0的，表示其位置就會-1。這樣的結(jié)果就是把(a,b)的label投射到(a,b)*2的長度中。這樣做的原因數(shù)據(jù)集是2分類的，所以網(wǎng)絡(luò)輸出肯定是(a,b,2)這樣的，所以label必須要和網(wǎng)絡(luò)輸出維度形式一樣才能比較，得出損失函數(shù)。

2.2，模型代碼