借用MaxSquareLoss中的部分代码使用在pytorch-deeplab-xception中

    1. 基础配置

    将MaxSqaureLoss代码中的synthia_list下的train.txt和val.txt放入RAND_CITYSCAPES数据集下
    image.png

    1. 在train和mypath中增加synthia

    image.png
    mypath.py增加synthia数据集目录。
    train.py下增加
    image.png
    image.png
    image.png

    1. 相关接入口

    在dataloaders.datasets下的init.py文件下的make_data_loader增加如下内容
    image.png
    在dataloaders下的utils.py下增加
    image.pngimage.png其中get_synthia_labels直接复制get_cityscapes_labels，然后删除最后3个即可。
    //这里cityscapes一共19类（本身cityscapes不止是19，但实验中都是将其映射为19类。https://github.com/mcordts/cityscapesScripts/blob/master/cityscapesscripts/helpers/labels.py 这是cityscapes的一些label信息-）。
    //synthia我们采用其与cityscapes的共用的16类。 这是为了之后的验证和训练。在本代码的训练中重要性没有体现。在适配的时候需要。这部分在4中叙述。

    1. 数据集相关修改

    首先将dataloaders.datasets下的cityscapes下的代码复制，新建synthia.py文件。拷贝。
    下面开始修改synthia的数据读入。主要采用了MaxSquareLoss的代码库的内容。修改的基本内容都在我的注释中。
    image.png
    设置NUM_CLASS为16类。
    image.pngimage.png图像路径和GT路径。
    ///这个synthia子集一共9400张图片，9000张训练，400张验证。
    image.png
    映射相关代码。
    id_to_trainid，进行的映射就是将SYNTHIA的id，映射到cityscapes的id。意思是，两个数据集中，相同物体的id本身是不同的。//这个是之后在域适配中使用。
    主要要做的后面的，将trainid 映射为16id。其中synthia_set_16表示和cityscapes共用的16个类的trainid。
    然后将其映射到0-16.
    ///如果没有cityscapes的要求，可以直接进行映射。而不需要第一步
    //具体的内容查看RAND_CITYSCAPES的README文件。
    注意：这里为了和deeplabv3+源代码相同，ignore_label设置为255. ///在MaxLoss代码中-ignore_label为-1！！
    image.png
    后面便是getitem相关内容。
    image.png读图片
    image.png
    读groundtruth。注意gt_image的读入方法，使用imageio.imread,然后读取的是第0个channel。
    ////这个是他本身数据格式的问题！！最好采用这个方法-其他的会出错。
    image.png剩余部分内容统一于deeplabv3+源代码。
    encode_segmap—即将gt进行映射，变为0-15，然后无关的设置为255.
    //注意：这个ignore就是igore，不是void。分割的时候不会考虑他，也不会分割出他。—大概是这样？
    image.png
    这里使用了MaxLoss代码库中的id2trainId。注意修改ignore_label为255！！！如果有-1就不对了-因为网络输出肯定是整数的。 ///不过这部分为也没仔细看。image.png
    完成了mask的编码后。最后做的事情还是原来的。

    最后：要想网络结果好，还有一些cropsize，等等之类的参数要调整-不容易。