【代码】deeplabv3+ vis.py 可视化代码解析

矫情吗；* 2023-06-06 12:23 83阅读 0赞

我真希望我刚开始看代码的时候有这一些列的博客。我记得我当时上网各种找，只找到一篇可怜巴巴的解析，如获至宝，开启了看代码的流程。毕竟我当时完全不会tf，一直用的keras。

bash代码举例：

python "${WORK_DIR}"/vis.py \
      --logtostderr \
      --vis_split="val" \
      --model_variant="xception_65" \
      --atrous_rates=12 \
      --atrous_rates=24 \
      --atrous_rates=36 \
      --output_stride=8 \
      --decoder_output_stride=1 \
      --vis_crop_size="513,513" \
      --checkpoint_dir="${TRAIN_LOGDIR}" \
      --vis_logdir="${VIS_LOGDIR}" \
      --dataset_dir="${PASCAL_DATASET}" \
      --max_number_of_iterations=1 \
      --eval_scales=[0.25,1,1.75] \
      --add_flipped_images=True \

这里需要说明的是eval\_scale这个参数能不能接受这个list我还真不知道，我一般都是在vis.py里面改，因为我记得我试验过，不接受。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70][]

vis.py一共三个函数

其中需要注意的是\_process\_batch

因为她第一句代码就把图片跑完了：

(original_images,
       semantic_predictions,
       image_names,
       image_heights,
       image_widths) = sess.run([original_images, semantic_predictions,
                                 image_names, image_heights, image_widths])

看，semantic\_prediction已经预测完毕了：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70 1][]

然后就是一些修缮工作。

其中170几行的代码是将图片保存：

save_annotation.save_annotation(
            original_image, save_dir, _IMAGE_FORMAT % (image_id_offset + i),
            add_colormap=False)
    
        # Save prediction.
        save_annotation.save_annotation(
            crop_semantic_prediction, save_dir,
            _PREDICTION_FORMAT % (image_id_offset + i), add_colormap=True,
            colormap_type=FLAGS.colormap_type)

另外，在cityscape这个数据集上，

tf.logging.info('Cityscapes requires converting train_id to eval_id.')

其他数据即如voc不用管

我还没了解过cityscape，所以。。。。

回归代码，如果想要同名于数据集的可视化需要改代码：

for i in range(num_image):
        image_height = np.squeeze(image_heights[i])
        image_width = np.squeeze(image_widths[i])
        original_image = np.squeeze(original_images[i])
        semantic_prediction = np.squeeze(semantic_predictions[i])
        crop_semantic_prediction = semantic_prediction[:image_height, :image_width]
        image_filename = os.path.basename(image_names[i])
        image_filename = str(image_filename)
        image_filename = image_filename[2:13]
        if FLAGS.also_save_raw_predictions:
    
          if train_id_to_eval_id is not None:
            crop_semantic_prediction = _convert_train_id_to_eval_id(
                crop_semantic_prediction,
                train_id_to_eval_id)
          save_annotation.save_annotation(
              crop_semantic_prediction, raw_save_dir, image_filename,
              add_colormap=False)
        save_annotation.save_annotation(
              original_image, save_dir, image_filename,
              add_colormap=False)

这里的image\_filename是byte，所以转化成str，再操作。

然后函数调用save\_annotation的时候直接用即可。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70]: /images/20230601/24872e8cf373450dbfb039c7b0d33787.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70 1]: /images/20230601/c8a31d33ecc741ab96ab1c6bfff8fd4a.png