谷歌开源的tensorflow版deeplabv3（非最新版，最新版需要tf2.0以上），支持tensorflow1.14.0版本

torchvison的deeplabv3_resnet50_coco-cd0a2569图像分割预训练模型，里面包含deeplabv3_resnet50和resnet50的预训练模型，二者缺一不可。如果使用torchvision自动下载比较慢的可以直接下载这个放在%USERPROFILE%.cache\torch\hub\checkpoints文件夹下。

torchvison的fcn_resnet50_coco-1167a1af图像分割预训练模型，里面包含fcn_resnet50和resnet50的预训练模型，二者缺一不可。如果使用torchvision自动下载比较慢的可以直接下载这个放在%USERPROFILE%.cache\torch\hub\checkpoints文件夹下。

由于最近目标是完成基于深度学习的脑肿瘤语义分割实验，所以需要用到自定义的数据载入，本文参考了一下博客：https://blog.csdn.net/tuiqdymy/article/details/84779716?utm_source=app，一开始是做的眼底图像分割，由于使用的是DRIVE数据集，所以数据量很少，之前也是按照上面这篇博客标注了关于图片id的txt文件，但是这次是应用在kaggle脑肿瘤数据集上，kaggle脑肿瘤数据集百度云下载连接：链接：https://pan.baidu.com/s/12RTIv-RqEZwYCm27Im2Djw  提取码：tave  数据量挺大，再完全按

U-Net 城市景观数据集训练好的语义分割模型

2020年之前最全新的语义分割综述，里面所涉及的论文都是比较经典的。里面对过去的语义分割做了一个系统的总结，方便初学者学习，以及写文献综述

# 执行命令： python miou.py --labels=D:/.../labels --pred=D:/../infer # 其中 --labels 为标注图片路径 --pred 为预测出的图片路径 # 最终结果会打印输出，也会在同级目录下，生成一个txt文档，保存各个类别 iou # 操作极为简单

本文主要对2015年以后的语义分割方向的发展做了详细的阐述，以及现阶段的相关问题做了汇总。本研究适用于语义分割方向的入门了解，以及写该方向的文献综述。

具体见：https://blog.csdn.net/jrckkyy/article/details/114183646

为了说明训练过程，本示例将训练SegNet，一种用于图像语义分割的卷积神经网络(CNN)。用于语义分割的其他类型网络包括全卷积网络(FCN)和U-Net。以下所示训练过程也可应用于这些网络。本示例使用来自剑桥大学的CamVid数据集展开训练。此数据集是包含驾驶时所获得的街道级视图的图像集合。该数据集为32种语义类提供了像素级标签，包括车辆、行人和道路。本示例创建了SegNet网络，其权重从VGG-16网络初始化。要获取VGG-16，请安装NeuralNetworkToolbox?ModelforVGG-16Network：安装完成后，运行以下代码以验证是否安装正确。此外，请下载预训练版SegN