deeplabv3+街景语义分割

使用 DeepLabV3+ 实现街景图像的语义分割
准备工作环境
为了使用 DeepLabV3+ 进行街景图像的语义分割，首先需要准备合适的工作环境。这通常涉及安装必要的库和工具。
对于 Python 环境而言，推荐使用 Anaconda 或 Miniconda 来管理依赖项。创建一个新的虚拟环境并激活它之后，可以通过 pip 安装 PyTorch 和其他所需的包：
pip install torch torchvision torchaudio
pip install labelme

启动 LabelMe 工具用于数据标注：
labelme

标签文件应与原始图片存储在同一文件夹内[^4]。
构建数据集
构建适用于 Deeplabv3+ 的数据集是至关重要的一步。LabelMe 是一种强大的图形化标记软件，支持多边形、矩形等多种形状来精确描绘目标物体轮廓。针对街景场景中的对象（如车辆、道路标志等），利用此工具可高效完成高质量的数据采集任务。确保所使用的数据集中包含足够的样本数量以及合理的类别分布，这对于后续模型训练效果有着直接影响。
模型架构配置
DeepLabV3+ 结构由编码器(Encoder)部分即 Backbone (例如 ResNet)，解码器(Decoder)组成。其中 Encoder 负责提取高层次特征信息；而 Decoder 则旨在恢复空间分辨率的同时融合低层次细节特性以提高预测精度。Output stride 参数控制着下采样的程度，在实际应用中可根据具体需求调整其取值大小[^1]。
训练过程概述
当准备好经过预处理后的数据集后就可以着手于模型训练环节了。设置好超参数比如批次大小(batch size)、初始学习率(initial learning rate)以及其他优化策略之后便能调用相应的 API 开始迭代更新权重直至收敛为止。期间还需定期验证测试集上的表现情况以便及时发现过拟合等问题的发生。
推理阶段说明
一旦完成了满意的训练周期，则可以进入推理模式对新的街景图像执行语义分割操作。加载已保存的最佳模型状态字典，并通过简单的前向传播即可获得每像素级别的分类结果。最后将这些离散化的数值映射回对应的视觉表示形式从而直观展示出来给用户查看。
import torch
from PIL import Image
import numpy as np
from torchvision.transforms.functional import to_tensor, normalize

def predict(model_path, image_path):
device = 'cuda' if torch.cuda.is_available() else 'cpu'

model = torch.load(model_path).to(device)
model.eval()

img = Image.open(image_path).convert('RGB')
input_image = to_tensor(img).unsqueeze(0)

with torch.no_grad():
output = model(input_image.to(device))

pred = torch.argmax(output.squeeze(), dim=0).detach().cpu().numpy()
return pred

if __name__ == '__main__':
prediction = predict('./best_model.pth', './test.jpg')
print(prediction.shape)