1.clone 谷歌官方源码到本地
2.添加Python环境变量
在终端添加（一次性买卖，本终端有效，其他的无效）：export PYTHONPATH=$PYTHONPATH:/home/xxx/Downloads/models-master/research/slim
也可以添加在bashrc里面，这样对当前用户都有效

vim ~/.bashrc
export PYTHONPATH=/home/xxx/Downloads/models-master/research/slim:$PYTHONPATH

attention：此处不添加的话，后面会报Python路径的错

File "deeplab/train.py", line 22, in <module>
from deeplab import common
ImportError: No module named deeplab

3.测试一下

#在deeplab/research目录下运行
python deeplab/model_test.py

接下来，开始照猫画虎，训练数据了，根据demo，跑了一遍voc的数据，弄清楚了voc的长什么样，然后把自己的数据整成了voc的格式。
4.生成图像mask。
数据本身提供的是灰度图，自己先把他们整成mask,这两者的区别在于一个看得出分割结果，一个就是漆黑一片。mask的话，其实也就是灰度图映射一下，将其灰度值变成0,1,2,3这样。之前的标注为N分类，自己只需要做二分类，所以就把其他类都变成了background。根据之前train.txt来对文件进行读写。这里要注意，有的txt换行的最后字符为\n,有的为\r\n,要注意区分。

import cv2
files = [line.split('jpg ')[1] for line in open('train.txt')]
#train.txt like this  ColorImage/Record008/Camera 6/171206_030615827_Camera_6.jpg Label/Record008/Camera 6/171206_030615827_Camera_6_bin.png
for path in files:
    path = path[:-2]
    img = cv2.imread(path)
  
    print(img.shape) 
    base = 'mask'   
    img[np.where((img!=49).all(axis = 2))] = 0
    img[np.where((img==49).all(axis = 2))] = 1
    #img[np.where((img==[255,0,0]).all(axis = 2))] =0
    #img[np.where((img==[255,0,255]).all(axis = 2))] =1 
    cv2.imwrite(path[:-8]+'.png',img)    

5.生成voctrain.txt vocval.txt为接下来生成tfrecord做准备。
这里需要的格式为Record008/Camera 6/171206_030905729_Camera_6，不需要后缀，且label和image要同名，自己懒得改生成的脚本，所以就按照voc脚本的格式来了。
只要把之前的train.txt截取一部分就好了

def voc_train(text):
    files = [line.split(' L')[0] for line in open(text)]
    with open('voctrain.txt','w') as file:
        for label in files:
            file.write(label[11:-4]+'\n')           

if __name__ == '__main__':
    voc_train('train.txt')

6.生成tfrecord
在4.5步骤之后，就可以愉快的采用提供的voc的脚本来生成tfrecord啦

 python build_voc2012_data.py   --image_folder="/media/chunyan/DATA/720data/apollo/ColorImage"  --semantic_segmentation_folder="/media/chunyan/DATA/720data/apollo/Label"  --list_folder="/media/chunyan/DATA/720data/apollo/txt"  --image_format="jpg"  --output_dir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/apollo/tfrecord"

7.训练模型
首先，对/models/research/deeplab/dataset 下 segmentation_dataset.py进行修改，添加自己数据集的信息在115行后添加

_APOLLO_INFORMATION = DatasetDescriptor(
    splits_to_sizes={
        'voctrains':4000,
        'voctrain':29991
        'vocval':300,
},
    num_classes =2,
    ignore_label =255,
# 在 125行DATASETS_INFORMATION中添加
'apollo':_APOLLO_INFORMATION,

开始训练

python deeplab/train.py \
    --logtostderr \
    --training_number_of_steps=40000 \
    --train_split="voctrains" \
    --model_variant="xception_65" \
    --atrous_rates=6 \
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --train_crop_size=769 \
    --train_crop_size=769 \
    --train_batch_size=2 \
    --dataset="pascal_voc_seg" \
    --tf_initial_checkpoint="/home/chunyan/Downloads/models-master/research/deeplab/xception65/model.ckpt" \
    --train_logdir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/log" \
    --dataset_dir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/tfrecord"

这里 把initialize_last_layer改为false，不用最后一层的权重，flags.DEFINE_boolean('initialize_last_layer', False,

                 'Initialize the last layer.')

batchsize = 8 ,显存不够，所以bn不能动了，要把参数设为False 根据When fine_tune_batch_norm=True, use at least batch size larger than 12 (batch size more than 16 is better). Otherwise, one could use smaller batch size and set fine_tune_batch_norm=False.

7.评估模型：

python deeplab/eval.py \
    --logtostderr \
    --eval_split="vocval" \
    --model_variant="xception_65" \
    --atrous_rates=6 \
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --eval_crop_size=2710 \
    --eval_crop_size=3384 \
    --dataset="pascal_voc_seg" \
    --checkpoint_dir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/log" \
    --eval_logdir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/eval"\
    --dataset_dir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/tfrecord"

注意：
--eval_crop_size=2710 这里=后不能有空格，--eval_crop_size= 2710 不然报错 所有的=后面都不能有空格 不然报错。absl.flags._exceptions.IllegalFlagValueError: flag --eval_crop_size=: invalid literal for int() with base 10: ''
跑完后会算出MIOU的值，来评估模型的好坏。

8.可视化分割结果

python deeplab/vis.py \
    --logtostderr \
    --vis_split="vocval" \
    --model_variant="xception_65" \
    --atrous_rates=6 \
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --vis_crop_size=2710 \
    --vis_crop_size=3384 \
    --dataset="pascal_voc_seg" \
    --checkpoint_dir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/log" \
    --vis_logdir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/vis"\
    --dataset_dir="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/tfrecord"

这样在segmentation_results文件夹下，会生成每张图的原图与彩色分割结果。

9.导出模型：

python deeplab/export_model.py \
   --logtostderr \
   --checkpoint_path="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/log/model.ckpt-40000" \
   --export_path="/home/chunyan/Downloads/models-master/research/deeplab/datasets/pascal_voc_seg/export/frozen_inference_graph.pb" \
   --model_variant="xception_65" \
   --atrous_rates=6 \
   --atrous_rates=12 \
   --atrous_rates=18 \
   --output_stride=16 \
   --decoder_output_stride=4 \
   --num_classes=2 \
   --crop_size=2710 \
   --crop_size=3384 \
   --inference_scales=1.0

导出模型，生成frozen_inference_graph.pb以便接下来inference。这里的crop_size我是按照图片大小设置的，尝试了一下，输入不同分辨率的图像，分割效果差距很大，crop_size大小最佳。
10.测试图片，根据demo.ipynb 改了一下，输入一个文件夹的图，输出分割后的图在另一个文件夹，一张图需要4.6S，在1080TI下，还是蛮慢的。
生成的结果：

参数设置：

eval_crop_size = output_stride * k + 1
export_model 的时候crop_size 的参数选择：根据自己的测试，此时的crop_size 应该等于你要输入测试图像的大小，如果比测试图像大，预测出来的效果会很稀疏，不好。如果比测试图像小，直接报错。之前设置成原图的大小，也报错了，然后改成了960，960就ok了。