最近做街景语义分割相关的工作，因为没有gpu训练模型，且训练的模型往往MIOU很低，还不如直接找训练好的模型，所以在github找到了一个模型，具有cityscapes数据集预训练权重，不需要训练模型，不需要看懂模型，一行代码直接出语义分割之后的结果。

语义分割之后，用pyhton统计各个类别所占像素个数，用于后续定量指标的计算。

1、下载链接

1.1、CSDN链接，含权重文件直接使用，建议直接下这个，还不限速。

deeplabv3+代码及权重文件
这个已经包含权重，跳过第二步下载代码，直接第三步预测代码。

1.2 Github链接：

https://github.com/VainF/DeepLabV3Plus-Pytorch
链接失效，直接github搜索：VainF/DeepLabV3Plus-Pytorch

2、下载代码，下载预训练好的权重

选择哪一个都行，随便下载一个，以DeepLabV3Plus-ResNet101为例
没有checkpoints文件夹就自己建一个。
​​​​

3、预测代码

代码在终端运行，修改完之后，直接复制粘贴运行。

代码运行位置

单张图片：
python predict.py --input datasets/data/cityscapes/leftImg8bit/train/bremen/bremen_000000_000019_leftImg8bit.png  --dataset cityscapes --model deeplabv3plus_mobilenet --ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth --save_val_results_to test_results

文件夹：
python predict.py --input datasets/data/cityscapes/leftImg8bit/train/bremen  --dataset cityscapes --model deeplabv3plus_mobilenet --ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth --save_val_results_to test_results

python predict.py 意思是运行predict这个python文件

–input datasets/bremen_000000_000019_leftImg8bit.png 这里是输入文件/输入文件夹，修改为自己的比如：E:\深圳街景\A01街景原图\福田区

–dataset cityscapes 使用的数据集

–model deeplabv3plus_mobilenet 使用的模型，或者deeplabv3plus_resnet101

–ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth 权重文件，需要新建checkpoints文件夹，将权重文件放进去。或者使用best_deeplabv3plus_resnet101_cityscapes_os16.pth.tar这个权重文件

注：–model要与–ckpt权重文件保持一致，mobilenet就都mobilenet，resnet101就都resnet101。

–save_val_results_to test_results 输出文件夹，指定路径即可，不存在会按照指定的路径创建

直接将所有图片进行语义分割，随后将四个图片的像素求平均即可。

建议直接用四个方向的图预测。

如果是全景图的话，建议用ptgui pro拆分成上下前后左右六个方向，保留前后左右四个方向，是否保留上方向，自己考虑。根据我的结果是不建议，全是天空没有意义且模型分错严重。

全景图还是四个方向，见仁见智，论文中都有，只不过更多的是四个方向。

以文件夹为例：
python predict.py --input D:\街景图片  --dataset cityscapes --model deeplabv3plus_resnet101 --ckpt checkpoints/best_deeplabv3plus_resnet101_cityscapes_os16.pth.tar --save_val_results_to  D:\语义分割后的图片

如果下载的模型是：

–model deeplabv3plus_mobilenet

–ckpt checkpoints/best_deeplabv3plus_mobilenet_cityscapes_os16.pth

如果下载的模型是：

–model deeplabv3plus_resnet101

–ckpt checkpoints/best_deeplabv3plus_resnet101_cityscapes_os16.pth.tar

出现其他运行的错误，包括但不限于 numpy之类的，百度搜索一下就可以解决。

语义分割后的示例图片

4、像素提取，或者说类别提取

​语义分割之后，统计各类像素数量的代码：

结果示例图

常规提取代码：运行速度比较慢，大概2张/1s（不维护了，也不出了）。

改进提取代码+说明文档：能达到60张/s（取决于cpu），并且文件保存时间几乎为0。文档内容见下图。

需要代码（语义分割结果提取像素的代码，不是模型提升精度的代码）联系邮箱437969428@qq.com，邮箱已设置自动回复！！！随意发送邮件即可获得联系方式。

5、文档部分内容截图

1

2

3

6、其他数据处理/程序/指导！！！

直接看PDF吧，搬过来调格式类似了。
通过网盘分享的文件：v1.1 数据_代码_指导.pdf
链接: https://pan.baidu.com/s/1E93QTFcdl7DQjCYZW1Kj2Q?pwd=GGGX 提取码: GGGX

目录：GIS数据处理/程序/指导，街景百度热力图POI路网建筑物AOI等

1. 百度热力图指导，买数据提供指导，含详细说明文档。链接0-数据介绍：百度慧眼百度热力图数据处理，可直接用于论文。链接1-原理及应用：百度热力图数据获取，原理，处理及论文应用-CSDN博客 。链接2-Pro操作：百度热力图数据处理流程Arcgis PRO篇，Arcgis,QGIS见链接其他文章-CSDN博客。

2. 多模型（含全部树模型）分类回归精度结果对比（回复审稿人意见之：为什么选某个模型？比如为什么选XGBoost？）。

   回归模型：线性模型（Linear、Ridge 、Lasso、Huber 、Partial Least Squares），KNN，SVR，树模型（Decision Tree、RF、AdaBoost 、GBDT、XGBoost、LightGBM 、CatBoost ）。可自定义增加。
   分类模型：Logistic Regression、Naive Bayes、KNN、SVM、树模型（Decision Tree、RF、AdaBoost 、GBDT、XGBoost、LightGBM 、CatBoost ）可自定义增加。
   

3.各种树模型分类回归代码（RF/GBDT/XGBoost/LightGBM/Catboost等模型对比，最优模型最优参数）。
3. 树模型-SHAP分析，上一步选模型，这一步用模型进行分析。
4. GCN用于街道研究，如GCN实现街道功能分类。
5. 树模型-SHAP分析，上一步选模型，这一步用模型进行分析。
6. 街景语义分割后像素提取，指标计算代码（绿视率、天空开阔度、界面围合度、视觉熵/景观多样性等），含详细说明文档。deeplabv3+街景图片语义分割，无需训练模型，看不懂也没有影响，直接使用，cityscapes数据集。
7. 街景主观感知两两对比程序（数据集生成，自定义每张图片出现次数，提示剩余总对比次数，对比程序！最少对比次数，最高的效率。街景主观感知1：街景图片两两对比程序），TrueSkill计算beautiful、safer等维度主观感知评分（原理，代码）均含详细说明文档。街景两两对比程序，Trueskill计算评分代码，训练模型，预测街景。
8. 街景主观感知训练，预测模型（beautiful, safer等自定义维度），多模型对比（ResNet50，ResNet101，EfficientNet、VGGNet、GoogleNet、DenseNet、MobileNet、ShuffleNet、Xception、ConvNeXt、Vision Transformer (ViT)、RegNet等），beautiful和safer维度精度均达到0.89。街景两两对比程序，Trueskill计算评分代码，训练模型，预测街景。
9. 街景图片色彩聚类。
10. 全国街景数据。
11. OSM路网简化指导（详细说明文档，双线变单线，fclass选择，拓扑检查，短道路处理）。
12. POI数据，重分类，各种密度，各种比例，功能混合度/熵/多样性计算。
13. 建筑物各种指标计算（建筑密度，容积率）。
14. 坐标系转化代码（bg09，wgs84，Gcj02等各种地理，投影转化）。
15. GIS相关处理，指标计算，街道街区相关，活力相关，街道品质相关。
。
邮箱：邮箱已设置自动回复！！！随意发送邮件即可获得联系方式。437969428@qq.com