deeplab v3+代码链接
使用Pascal_voc数据集训练的官方教程
这里笔者主要是按照官方教程安装了需要的包，再有就是把slim依赖库添加到pythonpath，但是笔者没有这样做，直接运行程序，在报错的位置前面加上slim.就行了。
2.数据集准备笔者是仿照voc数据集来准备的，voc数据集中格式如下图所示。
创建如上图所示的文件夹，将数据原图放入JPEGImages中，做好的mask图放入SegmentationClass中，tfrecord为稍后将数据转为tensorflow所需要的tfrecord格式的文件夹，exp中train为保存模型位置，eval为保存评估时event事件文件夹，vis为可视化文件夹，均需手动创建。
# From the tensorflow/models/research/deeplab/datasets directory.
sh download_and_convert_voc2012.sh
运行上述命令，将数据转为tfrecord格式。
/home/niechuan/DeepLearningModels/models-master/research/deeplab/datasets/pascal_voc_seg/VOCdevkit/VOC2012/ImageSets/Segmentation
在上述文件夹中有，创建train.txt及val.tet文件，内容为图片名称，只包含前缀，一行一个。在segmentation_dataset.py中修改如下内容为自己数据的train数据量、val数据量及分类书（num_classes），笔者这里仅有一种分类，所以为1+1（背景）。
再修改train.py中的dataset、train_spilt、dataset_dir的地址，根据自己数据修改。
至此就可以训练自己的模型了。
这里再提一下该代码中的一些问题。
1.模型选择
在common.py中，可修改mobilenet_v2为xception_65等。
2.损失函数
在train_util.py中，为交叉熵损失函数，读者可自行查看。
3.改代码中笔者感觉没有实现论文中所说的叠加一个low_level的信息，而是直接使用的双线性插值到原图大小。（model.py中有疑问，直接resize）
4.关于eval.py
笔者执行改程序执行到一定程度直接显示waiting for new checkpoint,原来该程序是train文件夹中生成一个模型，则eval.py就验证一次，如果一直不生成，则一直卡在waiting那儿就不动了。