fcn模型训练及测试

1.模型下载

1）下载新版caffe： https://github.com/BVLC/caffe
2）下载fcn代码： https://github.com/shelhamer/fcn.berkeleyvision.org

3）将下载得到的fcn模型代码解压到caffe-master目录下
4）下载vgg16预训练好的模型和参数：http://dl.caffe.berkeleyvision.org/siftflow-fcn32s-heavy.caffemodel
放置在fcn.berkeleyvision.org/ilsvrc-nets/目录下

2.选择模型

选择siftflow-fcn32s：

1）下载siftflow数据集：http://www.cs.unc.edu/~jtighe/Papers/ECCV10/siftflow/SiftFlowDataset.zip
并解压至/fcn.berkeleyvision.org/siftflow-fcn32s/data/下，并将文件夹名重命名为sift-flow

2）cd进入fcn源码路径
以个人路径为例：/home/zzq/caffe-master/fcn.berkeleyvision.org-master/
将其中所有的py文件，例如surgery.py等等，全部复制到siftflow-fcn32s文件夹中

3. cd 进入siftflow-fcn32s文件夹，运行python solve.py进行训练，
   注意修改solver.prototxt文件，保存快照。
   个人solver.prototxt文件参考：

train_net: "trainval.prototxt"
test_net: "test.prototxt"
test_iter: 200
# make test net, but don't invoke it from the solver itself
test_interval: 999999999
display: 20
average_loss: 20
lr_policy: "fixed"
# lr for unnormalized softmax
base_lr: 1e-10
# high momentum
momentum: 0.99
# no gradient accumulation
iter_size: 1
max_iter: 100000
weight_decay: 0.0005
snapshot: 4000
snapshot_prefix: "/home/zzq/caffe-master/fcn.berkeleyvision.org/siftflow-fcn32s/snapshot/train"  //快照保存路径
test_initialization: false

4）训练大概到40000次左右时，loss从十几万下降到1000左右，可以做测试啦
5）修改fcn文件夹下的infer文件
测试单张图片。
在fcn源码文件夹，找到infer.py
以个人路径示例：/home/zzq/caffe-master/fcn.berkeleyvision.org-master/
打开infer.py 在第一行加上
import sys
sys.path.append('/home/zzq/caffe-master//python')
其中/home/zzq/caffe-master/python为自己所下载的caffe源码包中的python所在路径
其中，net = caffe.Net('deploy.prototxt', 'siftflow-fcn32s/train_iter_36000.caffemodel', caffe.TEST)
中，train_iter_136000.caffemodel为训练得到的模型

其中，im = Image.open('test.jpg')为 测试的图片名，
plt.savefig('test_out.png')为将测试结果保存为test_output.png
此外
out = net.blobs['score'].data[0].argmax(axis=0)
改成
out = net.blobs['score_sem'].data[0].argmax(axis=0)
最终修改结果如下：

     import numpy as np  
from PIL import Image  
import matplotlib.pyplot as plt  
import sys    
sys.path.append('/home/zzq/caffe-master/python')  
import caffe  
import cv2  
      
# load image, switch to BGR, subtract mean, and make dims C x H x W for Caffe  
im = Image.open('/home/zzq/caffe-master/fcn.berkeleyvision.org/data/sift-flow/Images/spatial_envelope_256x256_static_8outdoorcategories/coast_n243003.jpg')  
in_ = np.array(im, dtype=np.float32)  
in_ = in_[:,:,::-1]  
#in_ -= np.array((104.00698793,116.66876762,122.67891434))  
#in_ -= np.array((111.67446899,109.91841125,105.24302673))  
in_ -= np.array((105.24302673,109.91841125,111.67446899))  
in_ = in_.transpose((2,0,1))  
      
# load net  
#net = caffe.Net('deploy.prototxt', 'siftflow-fcn32s-heavy.caffemodel', caffe.TEST)  
net = caffe.Net('/home/zzq/caffe-master/fcn.berkeleyvision.org/siftflow-fcn32s/deploy.prototxt', '/home/zzq/caffe-master/fcn.berkeleyvision.org/siftflow-fcn32s/snapshot/train_iter_36000.caffemodel', caffe.TEST)  
 
    # shape for input (data blob is N x C x H x W), set data  
net.blobs['data'].reshape(1, *in_.shape)  
net.blobs['data'].data[...] = in_  
# run net and take argmax for prediction  
net.forward()  
out = net.blobs['score_sem'].data[0].argmax(axis=0)   
    #out = net.blobs['score_geo'].data[0].argmax(axis=0)   
    #print type(out)  
    #print out, out.shape  
    #cv2.imwrite("output.png", out)  
plt.imshow(out,cmap='gray');  
plt.imshow(out);  
plt.axis('off')  
plt.savefig('test_3_out.png')  
plt.show()

注意：

如果没有deploy文件，可以参考如下方法：

deploy文件如果没有 可以参照一下方法

首先，根据你利用的模型，例如模型是siftflow32s的，那么你就去siftflow32s的文件夹，

里面有train.prototxt文件，将文件打开，全选，复制，新建一个名为deploy.prototxt文件，粘贴进去，

然后ctrl+F 寻找所有名为loss的layer 只要有loss 无论是loss还是geo_loss 将这个layer统统删除，然后删除第一层data layer
在文件顶部加上

layer {
name: "input"
type: "Input"
top: "data"
input_param {
# These dimensions are purely for sake of example;
# see infer.py for how to reshape the net to the given input size.
shape { dim: 1 dim: 3 dim: 256 dim: 256 }
}
}

其中shape{dim:1 dim:3 dim:256 dim:256}这两个256，是由于我的测试图片是256X256 如果你的是500X500 那你就将最后两个dim改为500 500

需要注意的是 如果你执行的是siftflow32s，你没有deploy，你需要加入inputdata layer，你如果执行sififlow16s的model 那么是不需要加inputdata layer的

因为他们的train.prototxt文件里已经有了inputdata layer

此外，关于siftflow-fcn32s需要的deploy文件，我在这里附上一个下载地址，如果不愿意自己制作可以下载这个：

http://pan.baidu.com/s/1dFCHWf3

其中 deploy是fcn32的

deploy16是fcn16的

deploy8是fcn8的

6） 测试结果：

（原图）

9） 如果想下载官方的训练好的model 试试结果可以在这里下载到

http://dl.caffe.berkeleyvision.org/