【PyTorch】图像分割

于 2024-09-30 16:20:55 发布
阅读量500 收藏 8
点赞数 8
分类专栏： PyTorch 文章标签： pytorch 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Glass_Gun/article/details/142584036
版权

图像分割是什么

Image Segmentation
将图像每一个像素分类
在这里插入图片描述

图像分割分类

  1. 超像素分割：少量超像素代替大量像素，常用于图像预处理
  2. 语义分割：逐像素分类，无法区分个体
  3. 实例分割：对个体目标进行分割
  4. 全景分割：语义分割结合实例分割
    在这里插入图片描述

本文讨论的是语义分割

模型如何完成图像分割

计算机：3-d张量 → 计算机：3-d张量
图像分割由模型与人类配合完成
模型：将数据映射到特征
人类：定义特征的物理意义，解决实际问题

PyTorch-Hub

PyTorch模型库，有大量模型供开发者调用 Link

1.torch.hub.load(‘pytorch/vision’, ‘deeplabv3_resnet101’,pretrained=True)

model=torch.hub.load(github, model, *args, **kwargs)
功能：加载模型
主要参数：
- github：str, 项目名，eg：pytorch/vision，<repo_owner/repo_name[:tag_name]>
- model: str, 模型名

2.torch.hub.list(github, force_reload=False)
3.torch.hub.help(github, model, force_reload=False)

深度学习中的图像分割模型

FCN

Fully Convolutional Networks for Semantic Segmentation
在这里插入图片描述

最主要贡献：
利用全卷积完成pixelwise prediction

U-Net

U-Net: Convolutional Networks for Biomedical Image Segmentation
在这里插入图片描述

DeepLab系列

V1

Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
在这里插入图片描述
主要特点：

  1. 孔洞卷积：借助孔洞卷积，增大感受野
  2. CRF：采用CRF进行mask后处理

V2

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
在这里插入图片描述
主要特点：

  1. ASPP（Atrous Spatial Pyramid Pooling）：解决多尺度问题

V3

Rethinking Atrous Convolution for Semantic Image Segmentation
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

主要特点：

  1. 孔洞卷积的串行
  2. ASPP的并行

V3+

Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
在这里插入图片描述
在这里插入图片描述
主要特点：
deeplabv3基础上机上Encoder-Decoder思想

综述

Deep Semantic Segmentation of Natural and Medical Images: A Review
在这里插入图片描述
图像分割资源：
https://github.com/shawnbit/unet-family
https://github.com/yassouali/pytorch-segmentation

Unet实现人像抠图 (Portrait Matting)

数据来源：https://github.com/PetroWu/AutoPortraitMatting

未完待续……

Bosenya12
关注
专栏目录
segmentation:使用pytorch进行图像分割
05-19
确保使用--recurse-submodules签出，有一个子模块'tools'用于常见的点滴）它会加载一个包含图像和遮罩的文件夹，其中包含配置文件（像素值对应于类）。 可在以下上进行训练的示例数据集： : 或者可以从import /...
深度学习中pytorch图像分割模型参数文件（已训练4小时）（使用包包图像集训练的）
07-10
用load直接调用
PyTorch 图像分割模型教程
jixiaoyu0209的博客
09-20 1456
图像分割的目标是将图像的每个像素进行分类。常见的应用场景有医学图像分割（如肿瘤检测）、自动驾驶（道路、车辆、行人分割）等。
PyTorch图像分割模型——多类别图像分割数据集制作
热门推荐
oJiWuXuan的博客
08-10 1万+
上一篇文章中，主要介绍了使用segmentation_models_pytorch库进行UNet++模型训练，我们使用的数据集是已经标注好的CamVid数据集，但在实际应用中，我们需要标注自己的多分类图像分割数据集，这篇文章中，就重点介绍下怎么创建自己的图像分割数据集。 首先需强调的是在这里我们用的数据集都是png格式的，生成的标注图像也都是png格式的，因为png图像可以做到无损压缩，能在保证最不失真的情况下尽可能压缩图像文件的大小，而且png用来存储灰度图像时，灰度图像的深度可多到16位，存储彩色图像时
PyTorch图像分割模型——segmentation_models_pytorch库的使用
AI浩
04-10 9251
一、概要 segmentation_models_pytorch是一个基于PyTorch的图像分割神经网络 这个新集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造，对于图像分割而言简直就是神器般的存在。 github地址：https://github.com/qubvel/segmentation_models.pytorch 该库的主要功能有： 1、高级API（只需两行即可创建神经网络）； 2、用于二分类和多类分割的9种模型架构（包括传奇的Unet）（Unet、Unet++、MAnet、
Pytorch 图像分割 衡量标准
qq_39025702的博客
01-16 2334
1、医学图像比赛（ISBI2017或者MICCAI2007）中常用到的几个度量指标：DICE，VOE，RVD，ASD，MSD等等；如何编程实现？ 符号定义： ： 代表 ground truth的分割结果 ：代表预测的分割结果 （1）DICE（值域为[0,1]）: 使用频率最高。数学定义如下，具体表示两个物体相交的面积占总面积的比值，完美分割该值为1。 （2）VOE（vol...
基于pytorch的图像分割
weixin_42603332的博客
02-14 470
好的。图像分割是指将图像中的每个像素划分到不同的类别中，通常用于对象检测或图像分类。 在 PyTorch 中，你可以使用神经网络来进行图像分割。首先，你需要准备训练数据，包括输入图像和对应的分割标签。然后，你可以使用 PyTorch 的神经网络模块来构建分割模型，并使用 PyTorch 的优化器来训练模型。最后，你可以使用模型对新的图像进行分割。 常用的图像分割模型有 FCN、U-Net 和 Ma...
pytorch 图像分割预测实例
weixin_41226991的博客
07-06 33
PyTorch,数据集相关视频讲解：DynamiCrafter图像转视频,帧插值,远超SVD的开源模型,更高清,逻辑性更强ComfyUI分区域绘图,Ultimate-SD-Upscale高清放大节点搭建分享,Lora模型加载,Controlnet应用搭建私人助理大模型需要什么环境？PyTorch 图像分割预测实例 整...
浅浅了解一下图像分割（pytorch框架）
weixin_46319994的博客
03-13 1353
了解深度学习中的图像分割是什么，了解计算原理，实战搭建分割网络，了解分割网络的计算流程和输出结果
segmentation_models.pytorch实战：使用segmentation_models.pytorch图像分割框架实现对人物的抠图
AI浩
04-09 7908
文章目录摘要二分类语义分割的常用做法数据集segmentation_models.pytorch简介与使用一、安装二、创建模型训练测试总结 摘要 在前面的文章中，我提到过segmentation_models.pytorch语义分割框架，今天这篇文章向大家展示如何使用segmentation_models.pytorch实现语义分割算法。 通过这篇文章，你可以学到： 1、如何使用segmentation_models.pytorch图像分割框架实现语义分割算法？ 2、如何使用和加载语义分割数据集？ 3、如何
pytorch 图像分割DeepLabv3+ 训练自己的数据
u013972657的博客
03-25 5754
参考资料：https://blog.csdn.net/qq_43492938/article/details/111183906 一、图像分割
使用 PyTorch 进行高效图像分割：第 2 部分
gongdiwudu的专栏
08-17 3804
这是由 4 部分组成的系列的第二部分，旨在使用 PyTorch 中的深度学习技术从头开始逐步实现图像分割。本部分将重点介绍如何实现基线图像分割卷积神经网络（CNN）模型。
使用segmentation_models.pytorch图像分割框架实现对人物的抠图.zip
04-09
1、如何使用segmentation_models.pytorch图像分割框架实现语义分割算法？ 2、如何使用和加载语义分割数据集？ 3、如何使用交叉熵和diceloss组合？ 4、如何使用wandb可视化。 5、了解二分类语义分割的常用做法。 ...
pytorch 编写unet网络用于图像分割
07-29
pytorch实现unet网络，专门用于进行图像分割训练。该代码打过kaggle上的 Carvana Image Masking Challenge from a high definition image.
遥感图像分割-使用Pytorch实现高分遥感图像图像语义分割-附数据集下载-附完整流程教程.zip
01-19
遥感图像分割是遥感数据分析中的关键步骤，它涉及到计算机视觉、机器学习和深度学习等领域。本教程将重点介绍如何利用PyTorch框架实现高分辨率遥感图像的语义分割，帮助你理解并掌握这一技术。 遥感图像分割是将...
【PyTorch】图像目标检测
最新发布
Glass_Gun的博客
09-30 354
按流程分为：one-stage和two-stage。
jupyter使用pytorch
pattyi的博客
09-27 443
以下所有命令都在Anaconda Prompt中操作。我的环境名称是。
65 注意力分数_by《李沐：动手学深度学习v2》pytorch版
buyaotutou的博客
09-30 598
注意力分数是query和key的相似度，注意力权重是分数的softmax结果。两种常见的分数计算:第一种：将query和key合并起来进入一个单输出单隐藏层的MLP、第二种：直接将query和key做内积。
Pytorch实现CNN实验
qq_61012545的博客
09-30 797
在这个实验中，我使用了PyTorch搭建了一个简单的卷积神经网络（CNN）来进行手写数字（MNIST数据集）的分类任务。首先定义了网络模型，包含了卷积层、池化层和全连接层，通过使用ReLU激活函数和Dropout来增强模型的性能，并且使用了交叉熵损失函数和Adam优化器进行模型的训练，在每个epoch中使用训练集和测试集进行了模型的训练和评估。同时通过修改模型结构。卷积核的大小，学习率等操作进行优化模型，最终发现增大epoch可以使准确率增大，最终可达0.9953.
Pytorch图像分割
06-10
PyTorch是一个流行的深度学习框架，可以用于图像分割任务。下面是一个简单的PyTorch图像分割的例子： 1. 导入必要的库和数据集 ```python import torch import torch.nn.functional as F from torch.utils.data import DataLoader from torchvision import transforms, datasets # 加载数据集 train_data = datasets.Cityscapes('./data', split='train', mode='fine', target_type='semantic', transform=transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])) test_data = datasets.Cityscapes('./data', split='test', mode='fine', target_type='semantic', transform=transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])) # 加载数据集的dataloader train_loader = DataLoader(train_data, batch_size=4, shuffle=True) test_loader = DataLoader(test_data, batch_size=4, shuffle=False) ``` 2. 定义模型 ```python class Net(torch.nn.Module): def __init__(self, num_classes=19): super(Net, self).__init__() self.conv1 = torch.nn.Conv2d(3, 64, kernel_size=3, padding=1) self.conv2 = torch.nn.Conv2d(64, 128, kernel_size=3, padding=1) self.conv3 = torch.nn.Conv2d(128, 256, kernel_size=3, padding=1) self.conv4 = torch.nn.Conv2d(256, 512, kernel_size=3, padding=1) self.conv5 = torch.nn.Conv2d(512, 512, kernel_size=3, padding=1) self.pool = torch.nn.MaxPool2d(kernel_size=2, stride=2) self.conv6 = torch.nn.Conv2d(512, 512, kernel_size=3, padding=1) self.conv7 = torch.nn.Conv2d(512, 512, kernel_size=3, padding=1) self.conv8 = torch.nn.Conv2d(512, num_classes, kernel_size=1) def forward(self, x): x = F.relu(self.conv1(x)) x = self.pool(F.relu(self.conv2(x))) x = self.pool(F.relu(self.conv3(x))) x = self.pool(F.relu(self.conv4(x))) x = self.pool(F.relu(self.conv5(x))) x = self.pool(F.relu(self.conv6(x))) x = self.pool(F.relu(self.conv7(x))) x = self.conv8(x) return x ``` 3. 训练模型 ```python # 定义模型和优化器 model = Net() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 定义损失函数 criterion = torch.nn.CrossEntropyLoss() # 训练模型 for epoch in range(10): for i, (inputs, targets) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets.squeeze(1).long()) loss.backward() optimizer.step() if i % 100 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, 10, i+1, len(train_loader), loss.item())) ``` 4. 测试模型 ```python # 测试模型 model.eval() with torch.no_grad(): correct = 0 total = 0 for inputs, targets in test_loader: outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += targets.size(0) correct += (predicted == targets.squeeze(1)).sum().item() print('Accuracy of the network on the test images: {:.2f} %'.format(100 * correct / total)) ``` 这是一个简单的图像分割的例子，你可以根据自己的需求进行修改和扩展。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Bosenya12

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值