FCN的pytorch实现_pytorch_fcnpytorch_FCN模型pytorch_FCN复现_fcn_

# pytorch FCN easiest demo > 不断更新中~ 这个repo是在读论文[Fully Convolutional Networks for Semantic Segmentation](http://arxiv.org/abs/1411.4038)时的一个pytorch简单复现，数据集很小，是一些随机背景上的一些包的图片（所有数据集大小一共不到80M），如下图  > 关于此数据集详细信息，见[数据集](#数据集) 根据论文实现了FCN32s、FCN16s、FCN8s和FCNs >部分代码参考了[这个repo](https://github.com/wkentaro/pytorch-fcn) 使用visdom可视化，运行了20个epoch后的可视化如下图：   ## 1.如何运行 ### 1.1 我的运行环境 * Windows 10 * CUDA 9.x （可选） * Anaconda 3 （numpy、os、datetime、matplotlib） * pytorch == 0.4.1 or 1.0 * torchvision == 0.2.1 * visdom == 0.1.8.5 * OpenCV-Python == 3.4.1 ### 1.2 具体操作 * 打开终端，输入 ```sh python -m visdom.server ``` * 打开另一终端，输入 ```sh python train.py ``` * 若没有问题可以打开浏览器输入`http://localhost:8097/`来使用`visdom`可视化 ### 1.3 训练细节  ## 2. 数据集 * training data来自[这里](https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last)，ground-truth来自[这里](https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last_msk)。 * 链接中提供的图片中，部分ground-truth的有误，而且部分有ground-truth的图片没有对应training data的图片，将这些有错误的图片分别剔除，重新编号排序之后剩余533张图片。 * 之后我随机选取了67张图片**旋转180度**，一共在training data和ground-truth分别凑够600张图片（0.jpg ~ 599.jpg）。 ## 3. 可视化 * train prediction：训练时模型的输出 * label：ground-truth * test prediction：预测时模型的输出（每次训练都会预测，但预测数据不参与训练与backprop） * train iter loss：训练时每一批（batch）的loss情况 * test iter loss：测试时每一批（batch）的loss情况 ## 4. 包含文件 ### 4.1 [train.py](train.py) * 训练网络与可视化 * 主函数 ### 4.2 [FCN.py](FCN.py) * FCN32s、FCN16s、FCN8s、FCNs网络定义 * VGGNet网络定义、VGG不同种类网络参数、构建VGG网络的函数 ### 4.3 [BagData.py](BagData.py) * 定义方便PyTorch读取数据的Dataset和DataLoader * 定义数据的变换transform ### 4.4 [onehot.py](onehot.py) * 图片的onehot编码