环境搭建

构建&激活虚拟环境

• 通过anaconda构建虚拟环境，名称为pytorch01，python版本为3.7.16

# 创建环境
conda create -n pytorch01 python=3.7.16

# 激活环境
conda activate pytorch01

安装所需模块

# 安装基本依赖及labelme
pip install -r requirements.txt -i https://mirrors.cloud.tencent.com/pypi/simple/ --trusted-host mirrors.cloud.tencent.com 

# 安装pytorch1.7.0+cu110（这里为了适配GTX 3090，需要安装CUDA 11.0对应的版本，若是CUDA 10 版本可以安装pytorch1.2+cu92）
pip install -r requirements1.txt -i https://download.pytorch.org/whl/ --trusted-host download.pytorch.org

至此，环境搭建完成。

数据处理

数据标注

使用labelme做数据标注。

将要标注的数据放在./datasets/before目录下，标注完成后，可以执行python json_to_dataset.py（须根据实际情况修改 classes ）使用脚本批量分离标注后的数据，放入指定文件夹。分离后的原始图像保存在./datasets/JPEGImages下，mask保存在./datasets/SegmentationClass下。

## json_to_dataset.py

#line 23
classes     = ["_background_","chicken"] # 分类名，和labelme标注数据时使用的class名一致（ _background_ 是必须的，指背景）

数据迁移

将批量分离后的数据（JPEGImages和SegmentationClass文件夹）复制到./VOCdevkit/VOC2007/目录下，这是脚本默认的数据存放目录。

迁移完成后，执行python voc_annotation.py分配并生成训练集和验证集，分别保存在./VOCdevkit/VOC2007/Segmentation/train.txt下和./VOCdevkit/VOC2007/Segmentation/val.txt。

训练数据

根据要处理的数据，对train.py进行修改。

## train.py

# line 69
num_classes = 2 # 分类数，目前只有背景和鸡两个分类，所以这里是2

# line 152
Freeze_batch_size   = 2 # 此处是模型冻结训练的batch_size，数值越大每次处理的样本越多，样本较小时无需修改，修改过大会报错样本数太少

# line 161
Unfreeze_batch_size = 2 # 此处是模型在解冻后的batch_size，数值越大每次处理的样本越多，样本较小时无需修改，修改过大会报错样本数太少

# line 242
num_workers     = 20 # 多线程读取数据，这里给定的值原为4，可根据具体硬件配置修改数值

执行python train.py开始训练，训练完成后，模型保存在./logs/目录下。

预测数据

根据要处理的数据，需要对unet.py和predict.py进行修改。

## unet.py

# line 29
"model_path"    : 'logs/best_epoch_weights.pth', # 模型路径，可以使用上文训练的模型

# line 33
"num_classes"   : 2, #  分类数，目前只有背景和鸡两个分类，所以这里是2

## predict.py

# line 36
name_classes      = ["_background_","chicken"] # 分类名，和labelme标注数据时使用的class名一致（ _background_ 是必须的，指背景）

执行python predict.py，即可预测数据。预测样本图片存放在./img/下，按提示输入路径即可（如 ./img/11.jpg ）。