Deeplab_v2+VOC資料集
概述
Deeplab系列,是影象語意分割的經典之作,用深度學習的方法實現影象分割,繞不過系統學習Deeplab系列,而學習的最快途徑就是先把demo跑起來,之後再去細讀文獻和程式碼。
本部落格主要是基於v2版本的deeplab,使用VGG16模型,在VOC2012資料集上進行測試!
參考了很多部落格的精華,但是有些部落格記錄的不是很全,核心資料就是參看官網:deeplab_v2
我把我的踩坑過程記錄如下,讓自己再熟悉一遍。記錄按照demo執行順序進行:
收集處理資料:
文章中的資料集由兩部分組成,已經有人寫好指令碼,可以直接從網上拉下來,這樣就不去網頁上自己手動搜尋了。
下載指令碼如下:
# 這裡建議自己建立一個data資料夾,存放相關資料 # augmented PASCAL VOC #增強資料集 mkdir -p ~/DL_dataset cd ~/DL_dataset #save datasets 為$DATASETS wget http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/semantic_contours/benchmark.tgz # 1.3 GB tar -zxvf benchmark.tgz mv benchmark_RELEASE VOC_aug # original PASCAL VOC 2012 #原始資料集 wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar # 2 GB tar -xvf VOCtrainval_11-May-2012.tar mv VOCdevkit/VOC2012 VOC2012_orig && rm -r VOCdevkit
資料轉換 :
- 因為pascal voc2012增強資料集的label是mat格式的檔案,所以我們需要把mat格式的label轉為png格式的圖片,指令碼如下:
cd ./DL_dataset/VOC_aug/dataset
if [ ! -d cls_png ];
then
mkdir cls_png
else
echo dir exist
fi
cd ../../../
python3 ./mat2png.py ./DL_dataset/VOC_aug/dataset/cls ./DL_dataset/VOC_aug/dataset/cls_png
- pascal voc2012原始資料集的label為三通道RGB影象,但是caffe最後一層softmax loss 層只能識別一通道的label,所以此處我們需要對原始資料集的label進行降維,指令碼如下:
cd ./DL_dataset/VOC2012_orig if [ ! -d SegmentationClass_1D ]; then mkdir SegmentationClass_1D else echo dir exist fi cd ../../ python3 convert_labels.py ./DL_dataset/VOC2012_orig/SegmentationClass/ ./DL_dataset/VOC2012_orig/ImageSets/Segmentation/trainval.txt ./DL_dataset/VOC2012_orig/SegmentationClass_1D/
為了方便直接使用圖片,我們將圖片兩個圖片源合併,且將資料夾改成train.txt裡要求的形式:
指令碼如下:
cp ./DL_dataset/VOC2012_orig/SegmentationClass_1D/* ./DL_dataset/VOC_aug/dataset/cls_png
cp ./DL_dataset/VOC2012_orig/JPEGImages/* ./DL_dataset/VOC_aug/dataset/img/
echo "複製完畢"
cd ./DL_dataset/VOC_aug/dataset
mv ./img ./JPEGImages
mv ./cls_png ./SegmentationClassAug
echo "資料夾改名"
echo "檢視JPEGImages檔案數量:"
cd ./JPEGImages
ls -l | grep "^-" | wc -l
echo "檢視SegmentationClassAug檔案數量::"
cd ../SegmentationClassAug
ls -l | grep "^-" | wc -l
到此處,在 /DL_dataset/VOC_aug/dataset資料夾中
- images資料集的檔名為:JPEGImages ,jpg圖片數由5073變為17125
- labels資料集檔名為:cls_png ,png圖片數由11355變為12031
資料收集工作也到此結束。
資料收集完之後第二步,就是建立一些資料夾,開始一些配置工作,之後就可以把資料扔進caffe裡訓練了。
配置環境
參看官方文件:
1、用來執行caffe的指令碼和資料list都可以直接下載
2、難點是安裝matio
安裝matio:
第一步下載:
官網連結
下載下來發現是7z壓縮包
第二步解壓:
sudo apt-get install p7zip
7z x matio-1.5.12.7z -r -o/home/xx //解壓到目標資料夾,若遇到需要下載完整7z提示,按提示下載即可。
sudo apt-get install p7zip-full
第三步安裝:
cd matio-1.5.12
./configure //如果這一句不能用的話用 bash configure 代替
make
make check
make install
會出現很多類似錯誤:
*xxxx/Depends/matio-1.5.12/src’ //報錯檔案目錄 /bin/sh …/libtool --tag=CC --mode=compile mipsel-linux-gcc -DHAVE_CONFIG_H -I. -I… -I…/include -I…/include -O20 -Wall -ffast-math -fsigned-char -g -O2 -MT framing.lo -MD -MP -MF .deps/framing.Tpo -c -o framing.lo framing.c
…/libtool: 1564: …/libtool: preserve_args+= --tag CC: not found
…/libtool: 1: eval: base_compile+= mipsel-linux-gcc: not found
…/libtool: 1: eval: base_compile+= -DHAVE_CONFIG_H: not found
找到src檔案裡的makefile檔案,定位到SHELL變數定義處的/bin/sh,改為/bin/bash後重新編譯
這樣的資料夾有很多:類似在"src", “tools” , “test” 等資料夾處均遇到上面錯誤,修改對應的Makefile檔案即可。
接下來就是配置環境,建立資料夾,及編譯caffe了。
參考官網:
第一步:建立資料夾、拉取deep_lab原始碼,一個指令碼搞定:
#!/bin/bash
mkdir deep_lab
cd deep_lab
git clone https://bitbucket.org/aquariusjay/deeplab-public-ver2.git
echo "原始碼拉取成功"
cd ..
mkdir -p ./deep_lab/exper/voc12/config/deeplab_largeFOV
mkdir -p ./deep_lab/exper/voc12/features/labels
mkdir -p ./deep_lab/exper/voc12/features2/labels
mkdir -p ./deep_lab/exper/voc12/list
mkdir -p ./deep_lab/exper/voc12/model/deeplab_largeFOV
mkdir -p ./deep_lab/exper/voc12/log
mkdir -p ./deep_lab/exper/voc12/res
echo "建立資料夾成功,用來存放txt,log,model等內容"
第二步:拉取配置檔案prototxt和訓練模型分別放進各自資料夾,指令碼如下:
#!/bin/bash
echo "正在下載..."
wget http://liangchiehchen.com/projects/released/deeplab_aspp_vgg16/prototxt_and_model.zip
unzip prototxt_and_model.zip
echo "解壓完畢"
mv *.prototxt ./deep_lab/exper/voc12/config/deeplab_largeFOV
mv *caffemodel ./deep_lab/exper/voc12/model/deeplab_largeFOV
rm -rf *.prototxt
rm -rf *caffemodel
echo "完成"
第三步:編譯caffe
和BVLC版本一樣,對DeepLab的caffe進行編譯,我喜歡用cmake
在使用cmake之前,先檢查Cmakelist的配置,我需要選擇python3編譯
#!/bin/bash
cd ./deep_lab/deeplab_public_ver2
mkdir build
cd build
cmake ..
make -j8
make pycafef
make test
echo "完成"
這樣編譯會出不少問題,主要參考編譯錯誤總結都能順利解決。
比如:
1、./include/caffe/common.cuh(9): error: function “atomicAdd(double *, double)” has already been defined
原因是CUDA 8.0 提供了對atomicAdd函式的定義,但atomicAdd在之前的CUDA toolkit中並未出現,因此一些程式自定義了atomicAdd函式。
解決方法:開啟./include/caffe/common.cuh檔案,在atomicAdd前新增巨集判斷即可。
如下:
#if !defined(__CUDA_ARCH__) || __CUDA_ARCH__ >= 600
#else
static __inline__ __device__ double atomicAdd(double* address, double val)
{
...
}
#endif
2、cuDNN v5環境會出現類似下面的介面錯誤:
./include/caffe/util/cudnn.hpp: In function ‘void caffe::cudnn::createPoolingDesc(cudnnPoolingStruct**, caffe::PoolingParameter_PoolMethod, cudnnPoolingMode_t*, int, int, int, int, int, int)’:
./include/caffe/util/cudnn.hpp:127:41: error: too few arguments to function ‘cudnnStatus_t cudnnSetPooling2dDescriptor(cudnnPoolingDescriptor_t, cudnnPoolingMode_t, cudnnNanPropagation_t, int, int, int, int, int, int)’
pad_h, pad_w, stride_h, stride_w));
這是由於所使用的cuDNN版本不一致的導致的,作者配置環境是cuDNN 4.0,但是5.0版本後的cuDNN介面有所變化。
解決方法 :將以下幾個檔案用最新BVLC版本的caffe對應檔案替換並重新編譯
./include/caffe/util/cudnn.hpp
./include/caffe/layers/cudnn_conv_layer.hpp
./include/caffe/layers/cudnn_relu_layer.hpp
./include/caffe/layers/cudnn_sigmoid_layer.hpp
./include/caffe/layers/cudnn_tanh_layer.hpp
./src/caffe/layers/cudnn_conv_layer.cpp
./src/caffe/layers/cudnn_conv_layer.cu
./src/caffe/layers/cudnn_relu_layer.cpp
./src/caffe/layers/cudnn_relu_layer.cu
./src/caffe/layers/cudnn_sigmoid_layer.cpp
./src/caffe/layers/cudnn_sigmoid_layer.cu
./src/caffe/layers/cudnn_tanh_layer.cpp
./src/caffe/layers/cudnn_tanh_layer.cu
3、使用cmake編譯時會遇到以下錯誤
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_VarFree'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_VarReadDataLinear'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_Open'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_VarCreate'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_CreateVer'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_VarWrite'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_VarReadInfo'
../lib/libcaffe.so.1.0.0-rc3: undefined reference to `Mat_Close'
解決方法:
下載FindMATIO.cmake.zip檔案,解壓縮後拷貝到./cmake/Modules目錄中。
檔案下載路徑
並新增以下程式碼至./cmake/Dependencies.cmake檔案中
# ---[ MATIO--add
find_package(MATIO REQUIRED)
include_directories(${MATIO_INCLUDE_DIR})
list(APPEND Caffe_LINKER_LIBS ${MATIO_LIBRARIES})
這樣基本能正常編譯caffe了。
以上基本就是整個環境配置的全過程,接下來就是開始把deeplab_v2跑起來了。
編譯deeplab_v2
之前提到過編譯caffe的指令碼可以直接下載,但是需要翻牆才能連上:
我下載下來的檔案如下:包括三個sh和一個sed,放在了voc12資料夾裡,接下來就是修改run_pascal.sh裡的一些檔案地址,然後執行即可。
還有一個list,需要放進list資料夾:
我的檔案如下:
#!/bin/sh
## MODIFY PATH for YOUR SETTING
ROOT_DIR=~/Documents/data/deeplab/DL_dataset #此處為voc資料集主路徑
CAFFE_DIR=../deeplab-public-ver2 #此處為官方caffe原始碼資料夾
CAFFE_BIN=${CAFFE_DIR}/build/tools/caffe #需要修改原始檔
EXP=.
if [ "${EXP}" = "." ]; then
NUM_LABELS=21
DATA_ROOT=${ROOT_DIR}/VOC_aug/dataset/
else
NUM_LABELS=0
echo "Wrong exp name"
fi
## Specify which model to train
########### voc12 ################
NET_ID=deeplab_largeFOV
## Variables used for weakly or semi-supervisedly training
#TRAIN_SET_SUFFIX=
TRAIN_SET_SUFFIX=_aug
#TRAIN_SET_STRONG=train
#TRAIN_SET_STRONG=train200
#TRAIN_SET_STRONG=train500
#TRAIN_SET_STRONG=train1000
#TRAIN_SET_STRONG=train750
#TRAIN_SET_WEAK_LEN=5000
DEV_ID=0
#####
## Create dirs
CONFIG_DIR=${EXP}/config/${NET_ID}
MODEL_DIR=${EXP}/model/${NET_ID}
mkdir -p ${MODEL_DIR}
LOG_DIR=${EXP}/log/${NET_ID}
mkdir -p ${LOG_DIR}
export GLOG_log_dir=${LOG_DIR}
## Run
RUN_TRAIN=1
RUN_TEST=0
RUN_TRAIN2=0
RUN_TEST2=0
## Training #1 (on train_aug)
if [ ${RUN_TRAIN} -eq 1 ]; then
#
LIST_DIR=${EXP}/list
TRAIN_SET=train${TRAIN_SET_SUFFIX}
if [ -z ${TRAIN_SET_WEAK_LEN} ]; then
TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}
comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
else
TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}_head${TRAIN_SET_WEAK_LEN}
comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt | head -n ${TRAIN_SET_WEAK_LEN} > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
fi
#
MODEL=${EXP}/model/${NET_ID}/init.caffemodel
#
echo Training net ${EXP}/${NET_ID}
for pname in train solver; do
sed "$(eval echo $(cat sub.sed))" \
${CONFIG_DIR}/${pname}.prototxt > ${CONFIG_DIR}/${pname}_${TRAIN_SET}.prototxt
done
CMD="${CAFFE_BIN} train \
--solver=${CONFIG_DIR}/solver_${TRAIN_SET}.prototxt \
--gpu=${DEV_ID}"
if [ -f ${MODEL} ]; then
CMD="${CMD} --weights=${MODEL}"
fi
echo Running ${CMD} && ${CMD}
fi
## Test #1 specification (on val or test)
if [ ${RUN_TEST} -eq 1 ]; then
#
for TEST_SET in val; do
TEST_ITER=`cat ${EXP}/list/${TEST_SET}.txt | wc -l`
MODEL=${EXP}/model/${NET_ID}/test.caffemodel
if [ ! -f ${MODEL} ]; then
MODEL=`ls -t ${EXP}/model/${NET_ID}/train_iter_*.caffemodel | head -n 1`
fi
#
echo Testing net ${EXP}/${NET_ID}
FEATURE_DIR=${EXP}/features/${NET_ID}
mkdir -p ${FEATURE_DIR}/${TEST_SET}/fc8
mkdir -p ${FEATURE_DIR}/${TEST_SET}/fc9
mkdir -p ${FEATURE_DIR}/${TEST_SET}/seg_score
sed "$(eval echo $(cat sub.sed))" \
${CONFIG_DIR}/test.prototxt > ${CONFIG_DIR}/test_${TEST_SET}.prototxt
CMD="${CAFFE_BIN} test \
--model=${CONFIG_DIR}/test_${TEST_SET}.prototxt \
--weights=${MODEL} \
--gpu=${DEV_ID} \
--iterations=${TEST_ITER}"
echo Running ${CMD} && ${CMD}
done
fi
## Training #2 (finetune on trainval_aug)
if [ ${RUN_TRAIN2} -eq 1 ]; then
#
LIST_DIR=${EXP}/list
TRAIN_SET=trainval${TRAIN_SET_SUFFIX}
if [ -z ${TRAIN_SET_WEAK_LEN} ]; then
TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}
comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
else
TRAIN_SET_WEAK=${TRAIN_SET}_diff_${TRAIN_SET_STRONG}_head${TRAIN_SET_WEAK_LEN}
comm -3 ${LIST_DIR}/${TRAIN_SET}.txt ${LIST_DIR}/${TRAIN_SET_STRONG}.txt | head -n ${TRAIN_SET_WEAK_LEN} > ${LIST_DIR}/${TRAIN_SET_WEAK}.txt
fi
#
MODEL=${EXP}/model/${NET_ID}/init2.caffemodel
if [ ! -f ${MODEL} ]; then
MODEL=`ls -t ${EXP}/model/${NET_ID}/train_iter_*.caffemodel | head -n 1`
fi
#
echo Training2 net ${EXP}/${NET_ID}
for pname in train solver2; do
sed "$(eval echo $(cat sub.sed))" \
${CONFIG_DIR}/${pname}.prototxt > ${CONFIG_DIR}/${pname}_${TRAIN_SET}.prototxt
done
CMD="${CAFFE_BIN} train \
--solver=${CONFIG_DIR}/solver2_${TRAIN_SET}.prototxt \
--weights=${MODEL} \
--gpu=${DEV_ID}"
echo Running ${CMD} && ${CMD}
fi
## Test #2 on official test set
if [ ${RUN_TEST2} -eq 1 ]; then
#
for TEST_SET in val test; do
TEST_ITER=`cat ${EXP}/list/${TEST_SET}.txt | wc -l`
MODEL=${EXP}/model/${NET_ID}/test2.caffemodel
if [ ! -f ${MODEL} ]; then
MODEL=`ls -t ${EXP}/model/${NET_ID}/train2_iter_*.caffemodel | head -n 1`
fi
#
echo Testing2 net ${EXP}/${NET_ID}
FEATURE_DIR=${EXP}/features2/${NET_ID}
mkdir -p ${FEATURE_DIR}/${TEST_SET}/fc8
mkdir -p ${FEATURE_DIR}/${TEST_SET}/crf
sed "$(eval echo $(cat sub.sed))" \
${CONFIG_DIR}/test.prototxt > ${CONFIG_DIR}/test_${TEST_SET}.prototxt
CMD="${CAFFE_BIN} test \
--model=${CONFIG_DIR}/test_${TEST_SET}.prototxt \
--weights=${MODEL} \
--gpu=${DEV_ID} \
--iterations=${TEST_ITER}"
echo Running ${CMD} && ${CMD}
done
fi
詳細檔案可從github上獲得,包括指令碼和py檔案。
歡迎關注個人公號:ThuerStory,講述畢業後的帶娃生活。