最近在跑UNet模型，想要通过语义分割提取遥感影像里面的道路
代码是下载的一个B站up主的，讲解的很棒： 科普：什么是语义分割_哔哩哔哩_bilibili
因为这个up主的代码没有公开道路的数据集，所以我下载了一个马萨诸塞州道路公开数据集，数据质量很高：道路和建筑物检测数据集 (toronto.edu)
因为我之前只做过目标检测，所以对语义分割不熟悉，过程中踩了一些坑：
1、np包的版本不同，导致np.int报错，修改成np.int_就行了；
2、FileNotFoundError报错，Up主的代码里图像是jpg格式，标签是png格式，要在代码里改成自己对应的格式：
3、特别注意：这里区分清楚图像分割结果的格式不是训练的图像的格式，是每次计算mIOU时都会生成的miou_out_path=”.temp_miou_out”文件夹下的png格式图像，所以不要改成自己的训练图像格式了，要不每次运行到第5轮epoch计算mIOU的时候，都会报错；
4、”num_classes”: 2, # 道路影像分类数量 num_classes是所需要区分的类的个数+1，这里我想要分一个类：道路，正常应该是”num_classes”: 2,
如果训练的时候，设置”num_classes”:1就会导致accuracy=0，mIOU=0，这肯定不正常，跑出来的效果就是这样的；
并且在预测时，”num_classes”:1也会报错：
# ---------------------------------------------------#
# 进行图片的resize
# ---------------------------------------------------#
pr = cv2.resize(pr, (orininal_w, orininal_h), interpolation=cv2.INTER_LINEAR)
print(pr.shape)
# ---------------------------------------------------#
# 取出每一个像素点的种类
# ---------------------------------------------------#
pr = pr.argmax(axis=-1)
print(pr.shape)
这里会报错：ValueError: cannot reshape array of size 4500 into shape (1500,1500,newaxis)，就是因为num_classes不对，所以在resize时shape不对，需要改正num_classes；
5、accuracy=100，mIOU=100，出现这种情况肯定也是不正常的，
原因可能是数据集的标签有问题，因为数据集的标签不对，模型识别不出来，或者是数据集没有标签；
6、如果需要训练自己的数据集，可以分为两种情况：
a、没有标签的数据集，按照视频里面的数据集标注教程，首先利用labelme标注图片生成json，然后转换成VOC格式的数据集；
b、有标签的数据集：像我这样下载网上常见的道路数据集，一般都是对输入图片分两类，背景的像素点值为0，目标（道路）的像素点值为255，这个像素值可以在GIS软件查看（马萨诸塞州道路公开数据集的道路就是255，背景是0）；
这样的数据集训练可以跑起来，但是预测是没有效果的，而且很可能导致训练中accuracy=100，mIOU=100； 需要把标签图片的背景的像素值改为0，目标的像素值改为1，这个up主也写了对应的转换代码：GitHub – bubbliiiing/segmentation-format-fix: 该仓库中放置了一些工具，用于调整语义分割算法的数据集格式，使其符合训练要求。 而且里面还有修改图像后缀名的代码；
修改之后的标签图片在文件夹中是全黑的，但是加载到GIS软件里可以看到，道路的像素是1，背景的像素是0，这样就可以训练了；
7、在代码中别忘了把预测中的num_classes改成自己数据集对应的数量（背景和道路）；
8、不要盲目修改在训练中输入图片的大小，改的太大了之后会爆显存； （注意，输入图像的大小要是32的倍数）
# --------------------------------#
# 输入图片的大小
# --------------------------------#
"input_shape": [512, 512],
# "input_shape": [1504, 1504],
# 因为道路的影像宽高是1500像素，改大了会占用太多GPU，爆显存
其他的注意事项，例如labelme版本等等，在up主的代码里都有提到，可以自己去下载看一下；
以上就是我关于UNet模型替换公开道路数据集训练中的笔记，如果有不对的地方，可以找我交流。
