Tensorflow DeepLab API 提供了 PASCAL VOC 2012，Cityscapes 和 ADE20K 数据集上的预训练模型.

<h2>1. Tensorflow DeepLab ModelZoo</h2>

三个数据集： PASCAL VOC 2012, Cityscapes, ADE20K

<h3>1.1 DeepLab 模型 - PASCAL VOC 2012</h3>

[Tensorflow DeepLab ModelZoo]

每个模型 tar.gz 压缩包中包含的文件有：

• frozen_inference_graph.pb, 冻结的推断图. 所有冻结推断图使用的输出步长 output_stride=8, 单个评测尺度 scale=1.0. 未进行左右翻转. 基于 MobileNet-V2 的模型不包含解码模块decoder module.
• 断点checkpoint文件 - model.ckpt.data-0000-of-0001 和 model.ckpt.index.

• 模型细节 VOC2012 train_aug 数据集和 train_aug + trainval 数据集. 对于 VOC2012 train_aug 数据集，当 GPU 内存资源受限时，可以采用小 batchsize 和冻结 BatchNormalization 来训练模型. 对于 train_aug + trainval 数据集，可以直接在VOC2012 测试集上评测断点效果，或采用断点进行 Demo 测试 - Tensorflow - 语义分割 Deeplab API 之 Demo. 注：基于 MobileNet-V2 模型未采用ASPP 和解码模块，以进行快速计算. 其中，OS 表示 Output_Stride，输出步长. 上表中给出了在 PASCAL VOC val 和 test 数据集上的计算复杂度(Multi-Adds 和 CPU Runtime)和分割表现(IoU). (平台：CPU E5-1650 v3 @ 3.50GHz, 32GB memory) 注：虽然 multi-scales 输入和左右翻转能够提高分割精度，但也明显增加了计算量，对于实时应用可能不太适合.</p>

<h3>1.2 DeepLab 模型 - Cityscapes</h3>

• <p>模型细节 在 Cityscapes train_fine 数据集上进行训练的. 注：基于 MobileNet-V2 模型未采用ASPP 和解码模块，已进行快速计算. </p>

<h3>1.3 DeepLab 模型 - ADE20K</h3>

• <p>模型细节 在 ADE20K training 数据集上训练. 模型只在 ImageNet 上预训练， </p>

<h2>2. ImageNet 预训练断点 Checkpoints</h2>

<p>tar.gz 压缩包中包含模型断点文件 - Checkpoints model.ckpt.data-00000-of-00001 和 model.ckpt.index.

Tensorflow DeepLab 提供了只在 ImageNet 上预训练的模型断点文件，以便于自定义模型的训练:

• mobilenet_v2 - 细节可参考 mobilenet
• xception_{41,65,71} - 采用原始的 Xception 模型来处理语义分割任务，主要进行的修改之处有：(1) 网络层更多；(2) 所有的 max pooling 操作均替换为 strided(atrous) separable convolutions；(3)在每个 3x3 depthwise conv 后添加新的 batch-norm 层. 这里提供了三种不同网络深度的 Xception 模型变种.
• resnet_v1_{50,101}_beta - 对原始 ResNet-101 进行修改，类似于 PSPNet，采用三个 3x3 卷积层来替代其第一个 7x7 卷积层. 具体细节可参见 resnet_v1_beta.py