调用deeplabv3生成的.pb文件，对图片进行批量预测并生成彩色图像。需要将图片尺寸修改为自己图片的大小，将类别与颜色对应图修改为自己的类型。

seg-deeplabv3.tar.xz

DeepLabV3 + 使用PyTorch的语义分割实现 火车 运行python train.py进行培训 数据集结构（类似于CamVid数据集） ├── Dataset folder ├── train ├── 1111.png ├── 2222.png ├── train_labels ├── 1111_L.png ├── 2222_L.png ├── class_dict.csv 笔记 默认功能提取器是 更改培训配置，更改utils/config.py参数 默认的损失函数是weighted cross entropy

惊人的语义分割 Tensorflow && Keras上的惊人语义分割（包括FCN，UNet，SegNet，PSPNet，PAN，RefineNet，DeepLabV3，DeepLabV3 +，DenseASPP，BiSegNet ...） 楷模 该项目支持以下语义分割模型： FCN-8s / 16s / 32s- UNet- SegNet- 贝叶斯SegNet- PSPNet- RefineNet- PAN- DeepLabV3- DeepLabV3Plus- DenseASPP- BiSegNet- 基本型号 该项目支持以下这些主干模型，您可以根据需要选择合适的基本模型。

在Cityscapes数据集上训练的DeepLabV3的PyTorch实现

DeepLab V3 Plus（DeepLab v3 ）的更高性能的pytorch实现

DeeplabV3 和 PSPNet的PyTorch实现

一个语义分割网络deeplabv3plus在cityscapes数据集上的预训练模型，最好的效果。.ph文件

Pytorch+Deeplabv3实现CityScapes数据集训练与测试

针对cityscapes的复现， 测试的evl准确率比官方给的低了2~3个百分点， 主要对其进行了分类的修改