deeplab 我的自定义数据集的权重标准是什么？答案

【问题标题】：What are the criteria for the weight of deeplab my custom dataset?deeplab 我的自定义数据集的权重标准是什么？
【发布时间】：2019-07-14 01:22:57
【问题描述】：

我正在训练 Deeplab v3，通过在三个类中制作自定义数据集，包括背景

那么，我的类是背景，熊猫，瓶子，有1949张图片。

我正在使用 moblienetv2 模型

和 segmentation_dataset.py 已修改如下。

_MYDATA_INFORMATION = DatasetDescriptor(
        splits_to_sizes={
            'train': 975,  # num of samples in images/training
            'trainval': 1949,
            'val': 974,  # num of samples in images/validation
        },


        num_classes=3,
        ignore_label=0,
)

train.py修改如下。

flags.DEFINE_boolean('initialize_last_layer', False,
                 'Initialize the last layer.')

flags.DEFINE_boolean('last_layers_contain_logits_only', True,
                 'Only consider logits as last layers or not.')

train_utils.py 未被修改。

not_ignore_mask = tf.to_float(tf.not_equal(scaled_labels, ignore_label)) * loss_weight

我得到了一些结果，但不是完美的。

例如熊猫和瓶子的面具颜色相同或不同

我想要的结果是红色的熊猫和绿色的瓶子

所以，我判断是重量有问题。

根据其他人的问题，train_utils.py配置如下

irgore_weight = 0
label0_weight =1
label1_weight = 10
label2_weight = 15
not_ignore_mask = 
    tf.to_float(tf.equal(scaled_labels, 0)) * label0_weight +
    tf.to_float(tf.equal(scaled_labels, 1)) * label1_weight +
    tf.to_float(tf.equal(scaled_labels, 2)) * label2_weight +
    tf.to_float(tf.equal(scaled_labels, ignore_label)) * irgore_weight 

tf.losses.softmax_cross_entropy(
    one_hot_labels,
    tf.reshape(logits, shape=[-1, num_classes]),
    weights=not_ignore_mask,
    scope=loss_scope)

我有一个问题。

权重的标准是什么？

我的数据集包含以下内容。

enter image description here

它是自动生成的，所以我不确切知道哪个更多，但它的数量相似。

另外，我使用的是 Pascal 的颜色映射类型。

这是第一个黑色背景，第二个红色第三个绿色。

我想准确地将熊猫指定为红色，将瓶子指定为绿色。我该怎么办？

【问题讨论】：

标签： tensorflow dataset image-segmentation tensorflow-datasets deeplab

【解决方案1】：

我认为您可能混淆了您的标签定义。也许我可以帮你。请再次检查您的 segmentation_dataset.py。在这里，您将“0”定义为被忽略的标签。这意味着所有标记为“0”的像素都被排除在训练过程之外（更具体地说，在损失函数的计算中被排除在外，因此对权重的更新没有影响）。鉴于这种情况，重要的是不要“忽略”背景类，因为它也是您想要正确预测的类。在 train_utils.py 中，您为被忽略的类分配了一个权重因子，这将不会产生任何影响---> 确保不要将您的三个训练类 [background、panada、bottle] 与“忽略”标签。

在您的情况下，num_classes=3 应该是正确的，因为它指定了要预测的标签数量（模型自动假设这些标签是 0、1 和 2。如果您想忽略某些标签，您必须用第四个标签类注释它们（只需为此选择一个 >2 的数字），然后将此标签分配给ignored_label。如果您没有要忽略的像素，仍然设置 ignored_label=255 和它不会影响你的训练；）

【讨论】：