# sft_management

**Repository Path**: fu-jiayi/sft_management

## Basic Information

- **Project Name**: sft_management
- **Description**: 软件项目管理-切片去污
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-12-23
- **Last Updated**: 2022-03-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README



### 所需环境
####
    torch==1.2.0    
    torchvision==0.4.0
    scipy==1.2.1
    numpy==1.17.0
    matplotlib==3.1.2
    opencv_python==4.1.2.30
    torch==1.2.0
    torchvision==0.4.0
    tqdm==4.60.0
    Pillow==8.2.0
    h5py==2.10.0

### 环境配置流程
####下载cuda10.0和cudnn7.4.1
可以自行下载也可以从下面的网盘下载
链接: https://pan.baidu.com/s/1znYSRDtLNFLufAuItOeoyQ
提取码: 8ggr

把cudnn的内容解压后放在 \NVIDIA GPU Computing Toolkit\CUDA\v10.0 的根目录下

####安装Anaconda
安装好anaconda后，在命令行使用：
####
    conda create –n pytorch python=3.6
环境创建完成后，在命令行使用：
####
    activate pytorch

激活环境后再安装torch和torchvision：
####
    pip install torch===1.2.0 torchvision===0.4.0 -f https://download.pytorch.org/whl/torch_stable.html

安装其他依赖库：
    使用 pip install 安装其他库：
####
    pip install scipy==1.2.1
    pip install numpy==1.17.0
    pip install matplotlib==3.1.2
    pip install opencv_python==4.1.2.30
    pip install torch==1.2.0
    pip install torchvision==0.4.0
    pip install tqdm==4.60.0
    pip install Pillow==8.2.0
    pip install h5py==2.10.0

###直接使用


  如果不需要自己训练然后预测。配置完环境后，修改unet.py中的"blend"为: False，修改predict.py中的mode = "make_none"。
    
  将需要预测的图片保存在VOCdevkit/VOC2007/JPEGImages目录下，运行predict.py文件，结果会保存在img_out_none目录下。

### 模型训练流程：
#### 标注数据集：
激活环境，安装labelme，版本为3.16.7： 
####
    pip install labelme==3.16.7
#####打开labelme：
    将需要标注的文件放在项目的datasets目录下。用labelme进行标注后保存，运行json_to_dataset.py。运行完的结果保存在JPEGImages和SegmentationClass，复制到VOCdevkit下对应的目录下。 
  
  #####打开labelme：打开voc_annotation.py，修改里面对于数据集的划分比例后运行。运行完VOCdevkit/VOC2007/ImageSets/Segmentation的目录下val.txt和train.txt目录
#######标注时的类别只有一个dirty，查看json_to_dataset里面的classes是否是除了背景意外其他的跟种类对应。

#####开始训练
  修改train.py中的参数，修改参考注释中的说明。训练需要训练50个epoch，会生成对应的权值文件，保存其中一个损失值较低的即可，然后删掉其他的，不然会占用很多存储空间。

#####准备预测
  修改unet.py，修改unet中的权值文件路径。之后修改predict.py中的参数然后运行。