目录
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。
0、简介
优势：全网最全最细！
1、从数据原理到应用给你讲清楚。
2、专注于城市研究。
邮箱：随意发送内容到邮箱获取联系方式，邮箱已设置自动回复！！！不看私信，没精力看。437969428@qq.com
不用发邮箱，见下方链接文档末尾！
【腾讯文档】10 其他数据_代码_指导 详细介绍
【腾讯文档】10 其他数据_代码_指导 详细介绍
https://docs.qq.com/doc/DVUNDdXRQanhIa3Z0
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。
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。
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：
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：随意发送内容到邮箱获取联系方式，邮箱已设置自动回复！！！不看私信，没精力看。437969428@qq.com==
5、文档部分内容截图
6、其他数据处理/程序/指导！！！
详细介绍见下方链接：
【腾讯文档】10 其他数据_代码_指导 详细介绍
【腾讯文档】10 其他数据_代码_指导 详细介绍
https://docs.qq.com/doc/DVUNDdXRQanhIa3Z0
全国百度热力图数据。百度热力图数据获取，原理，处理及论文应用-CSDN博客 。
OSM路网简化教程。OSM路网简化文档+实操视频讲解（道路中心线提取、拓扑检查，学术论文处理方式）
功能混合度计算教程。功能混合度计算全流程（原理讲解+软件实操）
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。
街景主观感知两两对比程序+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1
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。
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。树模型-SHAP分析，上一步选模型，这一步用模型进行分析。
全国街景数据获取。
街景图片色彩聚类。
MIT Place Pulse 2.0数据集
街景全景图切分六面视图（含数据处理教程，可批量处理）
GCN用于街道研究，如GCN实现街道功能分类。
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。
建筑物各种指标计算（建筑密度，容积率）。
2019-2024年最新全国四级行政区划矢量数据shp 省市县乡镇
全国村级行政区划shp数据，村级矢量行政区划界线！
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：随意发送内容到邮箱获取联系方式，邮箱已设置自动回复！！！不看私信，没精力看。437969428@qq.com==