MATCONVNET進行FCN語義分割
CN語義分割演算法已經在很多主流深度學習平臺上實現了，包括Caffe、TenserFlow、MatConvNet等。這篇部落格主要介紹如何在MatConvNet上執行起FCN語義分割，包括CPU和GPU版本。博主的平臺是Matlab2017a+Cuda8.0。
下載中心
- FCN-Paper論文：下載地址 [可選]
- MatConvNet：下載地址
- FCN-MatConvNet：下載地址
- VOC2011訓練資料：下載地址[voc10]，下載地址[voc11]，下載地址[voc12]
- VOC12語義分割Benchmark：下載地址
- MatConvNet-VGG預訓練模型：下載地址
- MatConvNet-FCN預訓練模型：下載地址 [可選]
- Caffe FCN預訓練模型：下載地址 [可選]
- CUDA加速，cuDNN執行庫：下載地址 [可選]
配置步驟
1.下載程式碼
這裡需要下載兩份程式碼，一個是FCN的程式碼，另一個是MatConvNet程式碼，將MatConvNet中的程式碼放入根目錄下，將資料夾名重新命名為matconvnet。
2. 配置MatConvNet
2.1 使用CPU
使用CPU的話直接編譯就可以了，不需要進行額外配置。（至少博主目前使用的v1.0-beta23是這樣，如果你使用的版本不同最好參照官網說明）。具體編譯過程參見2.3的程式碼
2.2 使用GPU，CUDA加速
需要有支援cuda的顯示卡，在英偉達官網下載cudnn庫，將檔案放入local資料夾下。
同時，在編譯MatConvNet過程中，需要指定該資料夾，參見下面的編譯程式碼。
2.3 編譯MatConvNet
下面的指令碼是博主寫的，原先程式碼裡面沒用，使用enableGpu變數來控制是否編譯GPU版本，每次切換平臺都需要重新編譯，所以有個if 1控制是否重新編譯。使用GPU時注意下面的路徑設定，配置好之後直接執行下面的指令碼就可以了。
| 1234567891011121314 | clearaddpath('utils','models','matconvnet/matlab');globalenableGpu;enableGpu=true;vl_setupnn();if1% recompile when change patform |
如果是cuda7.5及以下，直接使用官方版本的MatConvNet就可以了，博主使用cuda8.0，在使用的時候做了些修改，具體改了哪些博主也忘記了（當時跑一個跟蹤demo，改的時候也沒注意，反正就是名字啊，目錄啊什麼的，自己debug完全可以解決），後面會釋出博主修改後的matconvnet。
如果出現編譯錯誤，那麼就需要自己定位錯誤，自己debug了，可能出現問題的原因主要有：編譯環境配置（編譯器，路徑，cuda版本等），程式碼版本問題（目前博主沒遇到過，因為MatConvNet在歷史上有幾次大變動，模型資料格式都變了，所以版本對應是可能導致問題的原因之一）等等0.0
3.下載資料
3.0 VGG-VD-16預訓練模型
這裡要知道，FCN是會呼叫VGG模型的，所以要下載 imagenet-vgg-verydeep-16.mat 模型檔案，並方法./data/models/資料夾下。
3.1 訓練資料
在下載中心下載資料，放入./data/archives資料夾下，並根據程式碼中的設定重新命名：
根據選擇版本的voc資料庫 重新命名為 VOC2010trainval.tar/ VOC2011trainval.tar /VOC2012trainval.tar
benchmark.targz 重新命名為 berkeleyVoc12Segments.tar.gz
這裡也可以選擇直接執行fcnTrain，Matlab會自己下載，只是擔心官網下載速度慢，發現使用迅雷下載速度會更快，於是建議自己下載兩個資料壓縮包，然後重新命名，放入對應資料夾下，執行指令碼時會自動檢查資料並解壓到對應目錄。
3.2 預訓練模型
如果你不想訓練自己的模型，直接使用預訓練好的模型（這也是MatConvNet最方便的一點），那麼直接下載預訓練好的模型放到./data/models/目錄下即可。
4.除錯訓練
這一步也是最麻煩的，因為每個人遇到的問題都可能不同，所以多半時候需要自己debug，這裡只提供一些個人經驗了，如果有補充可以在評論區進行回覆，博主可以進一步完善。
4.1 執行除錯
直接執行fcnTrain()函式，這是注意其中設定的路徑是否與自己設定的路徑對應，第一步就是其中的VOCSetup的兩個函式，其中會對資料進行解壓縮處理，保證配置正確，才能定位到資料。如果提示找不到資料，那麼打斷點除錯，看看缺了哪些資料，這些資料是否可以不要。
博主使用Matlab2017a，Cuda8.0，cudnn，硬體平臺是gtx1070，後面的問題和解決僅供參考，博主在除錯過程中分別遇到如下問題：
問題1：getDatasetStatistics: computing segmentation stats for training image 1 報錯
錯誤定位到：getDatasetStatistics.m 檔案 Line 9
| 1 | lb=imread(sprintf(imdb.paths.classSegmentation,imdb.images.name{train(i)})); |
經過除錯，下面這個地方，看出問題來了吧，這裡把’\’替換成’\\’ 或者 ‘/’ 就可以了，否則檔案是讀不出來的
解決：將Line9處的程式碼替換為：
| 1 | lb=imread(sprintf(strrep(imdb.paths.classSegmentation,'\', '\\'),imdb.images.name{train(i)})); |
問題2：fcnTrain(line95) 錯誤程式碼 Reference to non-existent field ‘gpus’.
錯誤資訊：
Error in fcnTrain (line 95)
bopts.useGpu = numel(opts.train.gpus) > 0 ;
錯誤資訊是所，opts.train沒有gpus欄位，那麼就要從opts.train查起了，經過除錯發現整個opts.train都是空的，檢查了下發現可能是需要在輸入引數中進行設定？然後再github上直接找到了答案
解決：trainOpts 替換為opts.train 並將Line23 修改為 opts.train = [];
問題3：和問題1一樣，字串的問題，如下圖
解決：定位錯誤到getbatch.m Line51, 替換成如下程式碼：
| 1 | labelsPath=sprintf(strrep(imdb.paths.classSegmentation,'\', '\\'),imdb.images.name{images(i)}); |
版本在不斷更新，並且希望將自己的經驗彙總貢獻一篇教程，或者遇到了其它問題，可以在下方留言給博主。
開心的訓練吧：
CPU：
直接成功
GPU：
需要再進行debug
1. 雖然編譯了gpu版本的matconvnet，但是 opts.train.gpus 依然為空，最後使用的還是CPU，於是就到github去查了一下，迅速找到答案：opts.train.gpus = [1] ;
2. 然後又爆出錯誤：The CUDA error code was: CUDA_ERROR_ILLEGAL_ADDRESS. 繼續Google，地址問題，輕鬆解決。
*18年2月8日補充：關於CUDA_ERROR_ILLEGAL_ADDRESS：
博主曾經採用CUDA8.0、VS2013和matconvnet-1.o-beta23測試成功（具體解決方法事後想不起來，太久遠了，似乎是折騰了許久cudnn版本）
一旦牽扯到環境，問題通常都比較復（玄）雜（學），下面的引用是評論區馬同學對各個環境進行的測試，最終使用GTX1070+win10調通fcn：
GTX 1070顯示卡 + windows10
一開始使用matconvnet-1.0-beta25.tar.gz + matlab2017b + CUDA8.0 會出現The CUDA error code was: CUDA_ERROR_ILLEGAL_ADDRESS的情況，
(1)在使用 CUDA8.0 時無論搭配哪種版本的 cudnn都無法解決這種問題，所以將CUDA8.0降為CUDA7.5,但是又會出現 Unsupported gpu architecture ‘compute_61’的情況，根據
http://blog.csdn.net/a1154761720/article/details/53395414 中的解決方法解決了。
(2)matconvnet-1.0-beta25.tar.gz編譯GPU時只能用vs2015,vs2013不能使用,CUDA7.5編譯又只能用vs2013.所以不能最新的matconvnet。
(3)CUDA8.0對應matlab2017，降低CUDA的版本，也就降低了matlab的版本，降為matlab2015
(4)最後的配置為
CUDA7.5 + matlab2015 + vs2013，可以直接下載別人編譯好的檔案
部落格地址為 http://blog.csdn.net/zhjm07054115/article/details/51569450
視訊以及程式碼的地址為 http://www.studyai.com/course/detail/64bf671f1ecf44ed9a8404a198604321
再次感謝馬同學的測試和分享！
GTX1070超頻到1860MHz之後，大約訓練6個小時就可以出結果了，還是相當給力的。（博主訓練一般就停了，6小時是根據同學訓練的時間預估的）
4.2 預訓練除錯
上面搞定，這個就簡單多了，使用預訓練模型的方式有三種，根據fcnTest中的 switch case 發現三種分別是matconvnet、ModelZoo、TVG。
‘matconvnet’就是使用自己訓練儲存好的網路模型，以‘input’為起點
‘ModelZoo’就是使用Caffe的模型，這裡我們發現目錄中還有一個檔案fcnTestModelZoo，如果使用matcaffe，那麼可以從這個指令碼開始。
‘TVG’是什麼呢？我不清楚，它以’coarse’層結尾，而下載的模型是以upscore結尾的。
所以我們經過簡單除錯，發現需要修改的地方只有五個：
1. 修改modelPath為我們下載的模型檔案
2. 修改modelFamily為 ‘TVG’
3. 修改‘TVG’結尾為‘upscore’（原先是‘coarse’），發現我們下載的模型並沒有‘coarse’
4. 和訓練時候一樣的字串文字，修改Line114為： labelsPath = sprintf(strrep(imdb.paths.classSegmentation, ‘\’, ‘\\’), name) ;
5. 如果使用gpu，單個GPU情況下，修改opts.gpus = [1]
| 123456789101112131415161718192021 | %experimentanddatapathsopts.expDir='data/fcn32s-voc11';opts.dataDir='data/voc11';%opts.modelPath='data/fcn32-voc11/net-epoch-50.mat';opts.modelPath='data/models/pascal-fcn32s-dag.mat';// Line 9opts.modelFamily='TVG';[opts,varargin]=vl_argparse(opts,varargin);........case'TVG'// Line 88net=dagnn.DagNN.loadobj(load(opts.modelPath));net.mode='test';%predVar=net.getVarIndex('coarse');predVar=net.getVarIndex('upscore');inputVar='data';imageNeedsToBeMultiple=false;end |
結果儲存在結果路徑下面，重新執行如果不刪除原先的結果檔案，那麼會直接顯示結果而不會再訓練，所以要刪掉原先檔案再訓練。
如果要測試自己的資料，那麼直接im = imread(…) 的地方修改就可以了，總之調通之後，自己看程式碼吧
測試
開心的執行demo吧
雖然訓練時間很長，檢測速度還是挺快的，檢測時候大概需要3G視訊記憶體
