update: 从邮局搞得270张间隙10mm的图片已经跑完，具体步骤见10-11

由于原来官方开源的代码使用的keras，以及tensorflow版本陈旧，在环境配置是问题很多，故重新写了一套win10下简易可行的配置方案

1. 创建虚拟环境

   conda create Newpython36 python==3.6.3
   

2. 进入

   activate Newpython36
   

3. 安装package

   pip install -r package.txt
   

4. 修改文件：

   <Your PYTHON 3.6>\site-packages\skimage\transform\pyramids.py里面的pyramid_reduce函数：
   
   把out_shape = tuple([math.ceil(d / float(downscale)) for d in image.shape])
       
   修改为out_shape = tuple([math.floor(d / float(downscale)) for d in image.shape])
   

5. 下载我的代码，替换原来的代码（主要修改了因为版本不同导致的代码差异）（原来有的，放在原来的位置，ReSize.py放在FgSegNet-master2下面）

6. 数据集准备

   按照SBI2015_train、SBI2015_dataset里面的格式，分别在两个文件夹下加入baoguoQD

7. 数据预处理

   如果不对原始图片进行处理，很多不是传送带的物体的引入会导致模型学到很多垃圾 将原始图片放在

   FgSegNet-master2\SBI2015_dataset\baoguoQD\OG
   
   FgSegNet-master2\SBI2015_dataset\baoguoQD\OI
   
   FgSegNet-master2\SBI2015_train\OQD
   

   下，并创建

   FgSegNet-master2\SBI2015_train\baoguoQD
   
   FgSegNet-master2\SBI2015_dataset\baoguoQD\groundtruth
   
   FgSegNet-master2\SBI2015_dataset\baoguoQD\input
   
   FgSegNet-master2\sample_test_frames\baoguoQD
   

   然后，

   run ReSize.py
   

8. 开始训练

   run FgSegNet_M_S_SBI.py
   

9. 开启jupyter查看，

   run test_prediction.ipynb
   

10. 将新采集的图片放在10mm文件夹，并放在test_prediction.ipynb同一目录，并下载新的ReSize.py

11. 开启jupyter查看（后半部分）

    run test_prediction.ipynb