run_segmentation.sh

   1 # Summary of commands - uncomment one and run this script
   2 #### Manual Download: It is expected that the dataset is manually downloaded and kept in the folder specified agaianst the --data_path option.
   3
   4 ## =====================================================================================
   5 # Models Supported:
   6 ## =====================================================================================
   7 # deeplabv3lite_mobilenetv2_tv: deeplabv3lite decoder
   8 # fpn_pixel2pixel_aspp_mobilenetv2_tv: fpn decoder
   9 # unet_pixel2pixel_aspp_mobilenetv2_tv: unet decoder
  10 # deeplabv3lite_mobilenetv2_tv_fd: low complexity model with fast downsampling strategy
  11 # fpn_pixel2pixel_aspp_mobilenetv2_tv_fd: low complexity model with fast downsampling strategy
  12 # unet_pixel2pixel_aspp_mobilenetv2_tv_fd: low complexity model with fast downsampling strategy
  13 #
  14 # deeplabv3lite_resnet50: uses resnet50 encoder
  15 # deeplabv3lite_resnet50_p5: low complexity model - uses resnet50 encoder with half the number of channels (1/4 the complexity). note this need specially trained resnet50 pretrained weights
  16 # fpn_pixel2pixel_aspp_resnet50_fd: low complexity model - with fast downsampling strategy
  17
  18
  19 ## =====================================================================================
  20 ## Training
  21 ## =====================================================================================
  22 #### Cityscapes Semantic Segmentation - Training with MobileNetV2+DeeplabV3Lite
  23 #python ./scripts/train_segmentation_main.py --dataset_name cityscapes_segmentation --model_name deeplabv3lite_mobilenetv2_tv --data_path ./data/datasets/cityscapes/data --img_resize 384 768 --output_size 1024 2048 --gpus 0 1 \
  24 #--pretrained https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
  25
  26 #### Cityscapes Semantic Segmentation - Training with MobileNetV2+DeeplabV3Lite, Higher Resolution
  27 #python ./scripts/train_segmentation_main.py --dataset_name cityscapes_segmentation --model_name deeplabv3lite_mobilenetv2_tv --data_path ./data/datasets/cityscapes/data --img_resize 768 1536 --rand_crop 512 1024 --output_size 1024 2048 --gpus 0 1 \
  28 #--pretrained https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
  29
  30 #### Cityscapes Semantic Segmentation - original fpn - no aspp model, stride 64 model, Higher Resolution - Low Complexity Model
  31 #python ./scripts/train_segmentation_main.py --dataset_name cityscapes_segmentation --model_name deeplabv3lite_mobilenetv2_tv_fd --data_path ./data/datasets/cityscapes/data --img_resize 768 1536 --rand_crop 512 1024 --output_size 1024 2048 --gpus 0 1 \
  32 #--pretrained https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
  33
  34
  35
  36 ##--ResNet50 + deeplabv3lite
  37 #### Cityscapes Semantic Segmentation - Training with ResNet50+DeeplabV3Lite
  38 #python ./scripts/train_segmentation_main.py --dataset_name cityscapes_segmentation --model_name deeplabv3lite_resnet50 --data_path ./data/datasets/cityscapes/data --img_resize 384 768 --output_size 1024 2048 --gpus 0 1 \
  39 #--pretrained https://download.pytorch.org/models/resnet50-19c8e357.pth
  40
  41 #### Cityscapes Semantic Segmentation - Training with FD-ResNet50+FPN - High Resolution - Low Complexity Model
  42 #python ./scripts/train_segmentation_main.py --dataset_name cityscapes_segmentation --model_name deeplabv3lite_resnet50_fd --data_path ./data/datasets/cityscapes/data --img_resize 768 1536 --rand_crop 512 1024 --output_size 1024 2048 --gpus 0 1 \
  43 #--pretrained https://download.pytorch.org/models/resnet50-19c8e357.pth
  44
  45 #--ResNet50 encoder with half the channels + deeplabv3lite
  46 #### Cityscapes Semantic Segmentation - Training with ResNet50_p5+DeeplabV3Lite (ResNet50 encoder with half the channels): deeplabv3lite_resnet50_p5 & deeplabv3lite_resnet50_p5_fd
  47 #python ./scripts/train_segmentation_main.py --dataset_name cityscapes_segmentation --model_name deeplabv3lite_resnet50_p5 --data_path ./data/datasets/cityscapes/data --img_resize 384 768 --output_size 1024 2048 --gpus 0 1 \
  48 #--pretrained "./data/modelzoo/pretrained/pytorch/imagenet_classification/resnet50-0.5_b256_lr0.1_step30_inception-aug(0.08-1.0)_epoch(92of100)_1gmac_(72.05%)/model_best.pth.tar"
  49
  50
  51 #-- VOC Segmentation
  52 #### VOC Segmentation - Training with MobileNetV2+DeeplabV3Lite
  53 #python ./scripts/train_segmentation_main.py --dataset_name voc_segmentation --model_name deeplabv3lite_mobilenetv2_tv --data_path ./data/datasets/voc --img_resize 512 512 --output_size 512 512 --gpus 0 1 \
  54 #--pretrained https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
  55
  56
  57 ## =====================================================================================
  58 ## Validation
  59 ## =====================================================================================
  60 #### Validation - Cityscapes Semantic Segmentation - Validation with MobileNetV2+DeeplabV3Lite - populate the pretrained filename in ??
  61 #python ./scripts/train_segmentation_main.py --evaluate True --dataset_name cityscapes_segmentation --model_name deeplabv3lite_mobilenetv2_tv --data_path ./data/datasets/cityscapes/data --img_resize 384 768 --output_size 1024 2048 --gpus 0 1 \
  62 #--pretrained ??
  63
  64 #### Inference - Cityscapes Semantic Segmentation - Inference with MobileNetV2+DeeplabV3Lite - populate the pretrained filename in ??
  65 #python ./scripts/infer_segmentation_main.py --dataset_name cityscapes_segmentation_measure --model_name deeplabv3lite_mobilenetv2_tv --data_path ./data/datasets/cityscapes/data --img_resize 384 768 --output_size 1024 2048 --gpus 0 1 \
  66 #--pretrained ???
  67
  68 #### Validation - VOC Segmentation - Validation with MobileNetV2+DeeplabV3Lite - populate the pretrained filename in ??
  69 #python ./scripts/train_segmentation_main.py --evaluate True --dataset_name voc_segmentation_measure --model_name deeplabv3lite_mobilenetv2_tv --data_path ./data/datasets/voc --img_resize 512 512 --output_size 512 512 --gpus 0 1
  70 #--evaluate True --pretrained ???
  71
  72
  73
  74