# DeepLabv3
## 论文
DeepLabv3:Rethinking Atrous Convolution for Semantic Image Segmentation
- https://arxiv.org/abs/1706.05587
## 模型结构
DeepLabV3 是 DeepLab 系列语义分割算法的第三代版本，主要用于语义分割任务。
## 算法原理
DeepLabv3 的核心原理如下：
1. **空洞卷积（Atrous convolution）**：传统卷积通过滑动窗口提取特征，但感受野有限。Deeplabv3 采用空洞卷积在不增加计算量和参数的前提下，显著扩大卷积的感受野，能捕捉更广泛的上下文信息，同时保持特征图的空间分辨率。
2. **空洞空间金字塔池化（Atrous Spatial Pyramid Pooling）**：通过不同空洞率的卷积，同时处理小物体（小感受野）和大物体（大感受野）的特征，再将所有分支的输出拼接融合，使模型对物体尺度变化更鲁棒。
3. **编码器-解码器（Encoder-Decoder）**：编码器负责特征提取，采用空洞空间金字塔池化 （ASPP）模块，通过不同膨胀率的空洞卷积获取多尺度上下文信息；解码器通过插值上采样和卷积操作恢复物体边界细节，与编码器输出的特征图融合后生成高分辨率分割结果。
## 环境配置
### Docker（方法一）
拉取镜像：
```
docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:5.0.0-ubuntu22.04-dtk25.04.1-py3.10
```
创建并启动容器：
```
docker run --shm-size 16g --network=host --name=deeplabv3_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/deeplabv3_migraphx:/home/deeplabv3_migraphx -v /opt/hyhal:/opt/hyhal:ro -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
### Dockerfile（方法二）
```
cd ./docker
docker build --no-cache -t deeplabv3_migraphx:2.0 .
docker run --shm-size 16g --network=host --name=deeplabv3_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/deeplabv3_migraphx:/home/deeplabv3_migraphx -v /opt/hyhal:/opt/hyhal:ro -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
## 转换onnx模型
```
# 安装onnx
pip install onnx
# 进入deeplabv3 migraphx工程根目录
cd
# 进入Python目录
cd Python/
# 运行convert.py 生成模型文件 文件保存在Resource/Models目录下
python convert.py
```
## 数据集
根据提供的样本数据，进行图像分割。
## 推理
### Python版本推理
下面介绍如何运行python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
#### 设置环境变量
```
export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
```
#### 运行示例
```Python
# 进入deeplabv3 migraphx工程根目录
cd
# 进入示例程序目录
cd Python/
# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 运行示例
python DeepLabV3.py [--loadMode] [--enable_offload_copy] [--int8/--fp16]
```
参数说明:
- --loadMode:加载图片的方式，值为1时加载多张图片进行分割，值为0时加载单张图片进行分割，默认值为1
- --enable_offload_copy：设置offload_copy模式，如果没有指定，默认为offload_copy==false
- --int8/--fp16: 分别表示采用int8模式与fp16模型
### C++版本推理
注意：当使用操作系统不一样时，CMakeList需要做相应的修改：
```
# ubuntu操作系统
${CMAKE_CURRENT_SOURCE_DIR}/depend/lib64/ 修改为 ${CMAKE_CURRENT_SOURCE_DIR}/depend/lib/
# centos操作系统
${CMAKE_CURRENT_SOURCE_DIR}/depend/lib/ 修改为 ${CMAKE_CURRENT_SOURCE_DIR}/depend/lib64/
```
下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
#### 安装Opencv依赖
```python
cd
sh ./3rdParty/InstallOpenCVDependences.sh
```
#### 安装OpenCV并构建工程
```
rbuild build -d depend
```
#### 设置环境变量
将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
当操作系统是ubuntu系统时：
```
export LD_LIBRARY_PATH=/depend/lib/:$LD_LIBRARY_PATH
```
当操作系统是centos系统时：
```
export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH
```
然后执行:
```
source ~/.bashrc
```
#### 运行示例
```python
# 进入deeplabv3 migraphx工程根目录
cd
# 进入build目录
cd build/
# 执行示例程序
./DeepLabV3 1 # 分割多张图片
# ./DeepLabV3 0 # 分割单张图片
```
## result
### Python版本
python程序运行结束后，会在当前目录中生成分割图像。
### C++版本
C++程序运行结束后，会在build目录生成分割图像。
### 精度
无
## 应用场景
### 算法类别
`图像分割`
### 热点应用行业
`制造`,`交通`,`医疗`
## 源码仓库及问题反馈
https://developer.sourcefind.cn/codes/modelzoo/deeplabv3_migraphx
## 参考资料
https://arxiv.org/abs/1706.05587