向AI转型的程序员都关注了这个号👇👇👇

人工智能大数据与深度学习公众号：datayx

一，手提包数据集

数据集下载：用pytorch写FCN进行手提包的语义分割。

training

https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last

放到bag_data文件夹下

ground-truth label

https://github.com/yunlongdong/FCN-pytorch-easiest/tree/master/last_msk

放到bag_data_mask文件夹下

项目目录结构：

训练数据：

训练label：

从这个手提包数据集可以看出，这是个二分类的，就是只分割出手提包和背景两个类别。所以label处黑色的表示手提包，白色的就是无关的背景。

二，训练代码（用来读取数据集，包括手提包图片和手提包图片的label）

代码获取方式：

分享本文到朋友圈

关注微信公众号 datayx 然后回复手提包即可获取。

AI项目体验地址 https://loveai.tech

店铺地址：

https://shop585613237.taobao.com

↓

2.1：数据集读取的代码

贴了数据集读取的代码后，我觉得有必要说一下onehot这个函数。

1.就是数据集label的onehot化：

onehot化是把label化成一个一维向量。

onehot化的函数如下：

输入的data为以灰度图形式读取的label，n为分割的类别数(此数据集是2)

buf = np.zeros(data.shape + (n, ))

#设data的shape为(a,b)，则构造一个全0矩阵，维度为(a,b,n)

因为n是2，所以意思就是，2层的(a，b)的全0矩阵，一层用来表示手提包的，剩下一层则是用来表示背景的。

nmsk = np.arange(data.size)*n + data.ravel()

这行则比较妙一点，首先设data的size为5，则arange(5)为，(0，1，2，3，4)，其实就是表示data各个元素的位置。arange(5)*2为(0，2，4，6，8)，其实这是变相表示原来长度x2的位置。而data因为是label，且归一化过的，所以data里的值要么是0要么是1，data.ravel()是把data展成一维数组，arange(5)*2+data.ravel()意思是在(0，2，4，6，8)中，表示手提包的则+1，表示背景的则+0。这里打个比方，例如第三个和第五个位置是表示手提包的，则是(0，2，5，6，9)，到这里可能还看不出什么，结合下一句代码就明白了。

buf.ravel()[nmsk-1] = 1

用回刚刚的例子(0，2，5，6，9)，nmsk-1后，是(9，1，4，5，8)，与初始的(0，2，4，6，8)对比，若原来是1的位置会保持原样(因为+1后又-1了)，而原本是0的，表示其位置就会-1。这样的结果就是把(a,b)的label投射到(a,b)*2的长度中。这样做的原因数据集是2分类的，所以网络输出肯定是(a,b,2)这样的，所以label必须要和网络输出维度形式一样才能比较，得出损失函数。

2.2，模型代码