deeplabv3_resnet50完整代码

### DeepLabV3_ResNet50 的完整代码实现

为了构建并训练一个基于 PyTorch 的 DeepLabV3 使用 ResNet50 作为骨干网络，完整的代码实现涉及多个方面，包括数据加载、模型定义、损失函数配置以及训练循环等。下面提供了一个简化版的实现示例。

#### 数据准备
首先需要准备好用于训练的数据集，并创建相应的 DataLoader 来批量读取图片及其标签：

from torchvision import datasets, transforms
import torch.utils.data as data

transform = transforms.Compose([
    transforms.Resize((512, 512)),
    transforms.ToTensor(),
])

dataset_train = datasets.Cityscapes(root='./data/cityscapes', split='train', mode='fine', target_type='semantic', transform=transform)
dataloader_train = data.DataLoader(dataset_train, batch_size=8, shuffle=True)

dataset_val = datasets.Cityscapes(root='./data/cityscapes', split='val', mode='fine', target_type='semantic', transform=transform)
dataloader_val = data.DataLoader(dataset_val, batch_size=8, shuffle=False)

#### 模型初始化
接着实例化带有 ResNet50 骨干网的 DeepLabV3 模型，并加载预训练权重来加速收敛过程[^1]：

import torchvision.models.segmentation as segmentation_models

model = segmentation_models.deeplabv3_resnet50(pretrained_backbone=True, num_classes=19) # Cityscapes has 19 classes
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model.to(device);

#### 训练设置
指定优化器和学习率调度策略，同时设定交叉熵损失函数处理多类别分割任务：

optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)
criterion = torch.nn.CrossEntropyLoss(ignore_index=255).to(device) # ignore index is used for padding or unknown class in cityscape dataset.

#### 开始训练
最后编写训练逻辑，在每个 epoch 中迭代整个训练集，并定期验证性能以调整超参数或保存最佳模型版本：

num_epochs = 20

for epoch in range(num_epochs):
    model.train()
    
    running_loss = []
    for images, targets in dataloader_train:
        optimizer.zero_grad()

        outputs = model(images.to(device))['out']
        
        loss = criterion(outputs, targets.squeeze(1).long().to(device))
        loss.backward()
        optimizer.step()

        running_loss.append(loss.item())
    
    scheduler.step()
    
    avg_loss = sum(running_loss)/len(running_loss)
    print(f"Epoch {epoch}, Loss: {avg_loss:.4f}")

上述代码片段展示了如何利用 PyTorch 和 torchvision 库快速搭建起一个简单的语义分割实验环境。当然实际应用时还需要考虑更多细节如评估指标计算、可视化预测结果等功能扩展。