Unet模型

最新推荐文章于 2024-04-24 18:16:31 发布
最新推荐文章于 2024-04-24 18:16:31 发布
阅读量422 收藏 2
点赞数
分类专栏： # 机器学习之Keras
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/LYJ20010728/article/details/115496709
版权

U-Net 图像分割 卷积神经网络 跳跃连接 深度学习
关键词由CSDN通过智能技术生成

搭建模型结构代码

import numpy as np
from tensorflow.keras import layers
from tensorflow.keras import models

def Unet(input_shape=(512,512,3), num_classes=21):
    # 输入图片的尺寸
    inputs = layers.Input(input_shape)
    
    # 512,512,3 -> 512,512,64
    conv1 = layers.Conv2D(filters=64, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
    conv1 = layers.Conv2D(filters=64, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
    
    # 512,512,64 -> 256,256,64
    pool1 = layers.MaxPooling2D(pool_size=(2, 2))(conv1)
    
    # 256,256,64 -> 256,256,128
    conv2 = layers.Conv2D(filters=128, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
    conv2 = layers.Conv2D(filters=128, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
    
    # 256,256,128 -> 128,128,128
    pool2 = layers.MaxPooling2D(pool_size=(2, 2))(conv2)
    
    # 128,128,128 -> 128,128,256
    conv3 = layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
    conv3 = layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
    
    # 128,128,256 -> 64,64,256
    pool3 = layers.MaxPooling2D(pool_size=(2, 2))(conv3)
    
    # 64,64,256 -> 64,64,512
    conv4 = layers.Conv2D(filters=512, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(pool3)
    conv4 = layers.Conv2D(filters=512, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv4)
    drop4 = layers.Dropout(0.5)(conv4)
    
    # 64,64,512 -> 32,32,512
    pool4 = layers.MaxPooling2D(pool_size=(2, 2))(drop4)
    
    # 32,32,512 -> 32,32,1024
    conv5 = layers.Conv2D(filters=1024, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(pool4)
    conv5 = layers.Conv2D(filters=1024, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv5)
    drop5 = layers.Dropout(0.5)(conv5)
    
    
    # 32,32,1024 -> 64,64,512 
    up6 = layers.Conv2D(filters=512, kernel_size=2, activation='relu', padding='same', kernel_initializer='he_normal')(layers.UpSampling2D(size=(2,2))(drop5))
    merge6 = layers.Concatenate(axis=3)([drop4,up6])
    conv6 = layers.Conv2D(filters=512, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(merge6)
    conv6 = layers.Conv2D(filters=512, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv6)
 
    # 64,64,512 -> 128,128,256
    up7 = layers.Conv2D(filters=256, kernel_size=2, activation='relu', padding='same', kernel_initializer='he_normal')(layers.UpSampling2D(size=(2,2))(conv6))
    merge7 = layers.Concatenate(axis=3)([conv3,up7])
    conv7 = layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7)
    conv7 = layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7)
 
    # 128,128,256 -> 256,256,128
    up8 = layers.Conv2D(filters=128, kernel_size=2, activation='relu', padding='same', kernel_initializer='he_normal')(layers.UpSampling2D(size=(2,2))(conv7))
    merge8 = layers.Concatenate(axis=3)([conv2,up8])
    conv8 = layers.Conv2D(filters=128, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(merge8)
    conv8 = layers.Conv2D(filters=128, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv8)
     
    # 256,256,128 -> 512,512,64
    up9 = layers.Conv2D(filters=64, kernel_size=2, activation='relu', padding='same', kernel_initializer='he_normal')(layers.UpSampling2D(size=(2,2))(conv8))
    merge9 = layers.Concatenate(axis=3)([conv1,up9])
    conv9 = layers.Conv2D(filters=64, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(merge9)
    conv9 = layers.Conv2D(filters=64, kernel_size=3, activation='relu', padding='same', kernel_initializer='he_normal')(conv9)
    
    # 512,512,64 -> 512,512,num_classes
    conv10 = layers.Conv2D(filters=num_classes, kernel_size=1, activation='softmax')(conv9)
 
    model = models.Model(inputs=inputs, outputs=conv10)
    return model

测试模型并的出模型结构层次

inupt_size = (512,512,3)
num_classes = 21
model = Unet(inupt_size, num_classes)
model.summary()

Model: "model"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            [(None, 512, 512, 3) 0                                            
__________________________________________________________________________________________________
conv2d (Conv2D)                 (None, 512, 512, 64) 1792        input_1[0][0]                    
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 512, 512, 64) 36928       conv2d[0][0]                     
__________________________________________________________________________________________________
max_pooling2d (MaxPooling2D)    (None, 256, 256, 64) 0           conv2d_1[0][0]                   
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 256, 256, 128 73856       max_pooling2d[0][0]              
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 256, 256, 128 147584      conv2d_2[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_1 (MaxPooling2D)  (None, 128, 128, 128 0           conv2d_3[0][0]                   
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 128, 128, 256 295168      max_pooling2d_1[0][0]            
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 128, 128, 256 590080      conv2d_4[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_2 (MaxPooling2D)  (None, 64, 64, 256)  0           conv2d_5[0][0]                   
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 64, 64, 512)  1180160     max_pooling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_7 (Conv2D)               (None, 64, 64, 512)  2359808     conv2d_6[0][0]                   
__________________________________________________________________________________________________
dropout (Dropout)               (None, 64, 64, 512)  0           conv2d_7[0][0]                   
__________________________________________________________________________________________________
max_pooling2d_3 (MaxPooling2D)  (None, 32, 32, 512)  0           dropout[0][0]                    
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 32, 32, 1024) 4719616     max_pooling2d_3[0][0]            
__________________________________________________________________________________________________
conv2d_9 (Conv2D)               (None, 32, 32, 1024) 9438208     conv2d_8[0][0]                   
__________________________________________________________________________________________________
dropout_1 (Dropout)             (None, 32, 32, 1024) 0           conv2d_9[0][0]                   
__________________________________________________________________________________________________
up_sampling2d (UpSampling2D)    (None, 64, 64, 1024) 0           dropout_1[0][0]                  
__________________________________________________________________________________________________
conv2d_10 (Conv2D)              (None, 64, 64, 512)  2097664     up_sampling2d[0][0]              
__________________________________________________________________________________________________
concatenate (Concatenate)       (None, 64, 64, 1024) 0           dropout[0][0]                    
                                                                 conv2d_10[0][0]                  
__________________________________________________________________________________________________
conv2d_11 (Conv2D)              (None, 64, 64, 512)  4719104     concatenate[0][0]                
__________________________________________________________________________________________________
conv2d_12 (Conv2D)              (None, 64, 64, 512)  2359808     conv2d_11[0][0]                  
__________________________________________________________________________________________________
up_sampling2d_1 (UpSampling2D)  (None, 128, 128, 512 0           conv2d_12[0][0]                  
__________________________________________________________________________________________________
conv2d_13 (Conv2D)              (None, 128, 128, 256 524544      up_sampling2d_1[0][0]            
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 128, 128, 512 0           conv2d_5[0][0]                   
                                                                 conv2d_13[0][0]                  
__________________________________________________________________________________________________
conv2d_14 (Conv2D)              (None, 128, 128, 256 1179904     concatenate_1[0][0]              
__________________________________________________________________________________________________
conv2d_15 (Conv2D)              (None, 128, 128, 256 590080      conv2d_14[0][0]                  
__________________________________________________________________________________________________
up_sampling2d_2 (UpSampling2D)  (None, 256, 256, 256 0           conv2d_15[0][0]                  
__________________________________________________________________________________________________
conv2d_16 (Conv2D)              (None, 256, 256, 128 131200      up_sampling2d_2[0][0]            
__________________________________________________________________________________________________
concatenate_2 (Concatenate)     (None, 256, 256, 256 0           conv2d_3[0][0]                   
                                                                 conv2d_16[0][0]                  
__________________________________________________________________________________________________
conv2d_17 (Conv2D)              (None, 256, 256, 128 295040      concatenate_2[0][0]              
__________________________________________________________________________________________________
conv2d_18 (Conv2D)              (None, 256, 256, 128 147584      conv2d_17[0][0]                  
__________________________________________________________________________________________________
up_sampling2d_3 (UpSampling2D)  (None, 512, 512, 128 0           conv2d_18[0][0]                  
__________________________________________________________________________________________________
conv2d_19 (Conv2D)              (None, 512, 512, 64) 32832       up_sampling2d_3[0][0]            
__________________________________________________________________________________________________
concatenate_3 (Concatenate)     (None, 512, 512, 128 0           conv2d_1[0][0]                   
                                                                 conv2d_19[0][0]                  
__________________________________________________________________________________________________
conv2d_20 (Conv2D)              (None, 512, 512, 64) 73792       concatenate_3[0][0]              
__________________________________________________________________________________________________
conv2d_21 (Conv2D)              (None, 512, 512, 64) 36928       conv2d_20[0][0]                  
__________________________________________________________________________________________________
conv2d_22 (Conv2D)              (None, 512, 512, 21) 1365        conv2d_21[0][0]                  
==================================================================================================
Total params: 31,033,045
Trainable params: 31,033,045
Non-trainable params: 0
__________________________________________________________________________________________________
H3rmesk1t
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
模型
tym1988529的专栏
04-28 216
<br />知道了OSI模型，现在看来就是一个抽象标准，后来又学习了计算机网络，TCP/IP模型。<br />应用层：负责提供数据以及对数据的处理.语音图像视频等信息载体。如通过摄像头采集数据，录音，文字，当下的互联网行业，提供了一种应用。<br />相关课程:图像处理，语音处理，视频编解码信源编码数据压缩<br />技术：硬件软件方式 Qt截屏<br />传输层：提供一种上层可控的方式，把信息传输出去。TCP.UDP 是一种可用的方式。<br />SOCK编程提供了一整套的传输机制。<br />技术：编程
各种用于图像分割的Unet模型的实现-Unet，RCNN-Unet，Attention Unet，RCNN-Attention Unet，嵌套Unet-Python开发
05-25
各种Unet模型用于图像分割的实现-Unet，RCNN-Unet，注意力Unet，RCNN-Attention Unet，嵌套式Unet细分Unet细分-Pytorch-Nest-of-Unets各种Unet模型用于图像分割的实现UNet- U-Net：用于生物医学图像分割的卷积网络https://arxiv.org/abs/1505.04597 RCNN-UNet-基于U-Net的递归残差卷积神经网络（R2U-Net）用于医学图像分割https：// arxiv。 org / abs / 1802.06955 Attention Unet-Attention U-Net：学习在哪里寻找胰腺https://arxiv.org/abs/1804.03999 RCNN-Attentio
手把手带你撸深度学习经典模型（一）----- UNet
奋斗の博客
04-06 9151
一、前言 经过慎重考虑，决定新开一个系列，该系列文章主要的目的就是利用PyTorch、Python实现深度学习中的一些经典模型，接下来一段时间的安排如下： UNet ResNet VggNet AlexNet 本文首先实现UNet，关于UNet的详细介绍请移步深度学习模型解析系列文章–白话详解UNet 二、网络结构详解 UNet总体上分为编码器和解码器，其中编码器负责提取特征信息，解码器负责还原特征信息；编码器主要由4个块组成，每个块分别由2个卷积层、1个最大池化层组成。解码器也是由4个块组成，每个块
unet模型的搭建与使用
最新发布
qq_63251590的博客
04-24 868
all_test_pics = glob.glob(r'C:\Users\Administrator\Desktop\dataset\person_detect\第13章\hk\testing\*.png')all_pics = glob.glob(r"C:\Users\Administrator\Desktop\dataset\person_detect\第13章\hk\training\*.png")# 这个方法很有用, 让训练集和测试集有了 切片的功能。# 构建训练集， 测试集。
Unet网络详解
qq_58529413的博客
07-10 3万+
Unet网络详解
unet模型及代码解析
热门推荐
qq_43537701的博客
11-06 5万+
什么是unet 一个U型网络结构，2015年在图像分割领域大放异彩，unet被大量应用在分割领域。它是在FCN的基础上构建，它的U型结构解决了FCN无法上下文的信息和位置信息的弊端（下文细说） Unet网络结构 主干结构解析 左边为特征提取网络，右边为特征融合网络 特征提取网络 由两个3x3的卷积层（RELU）再加上一个2x2的maxpooling层组成一个下采样的模块，一共经过4次这样的操作 特征融合网络 由一层反卷积+特征拼接concat+两个3x3的卷积层（ReLU）反复构成，一共经过4次这样的操
深度学习：目标分割｜UNet网络模型及案例实现
m0_58475958的博客
08-15 1万+
1 UNet网络架构 UNet网络由左编码部分，右解码部分和下两个卷积+激活层组成 编码部分 从图中可知：架构中是由4个重复结构组成：2个3x3卷积层，非线形ReLU层和一个stride为2的2x2 max pooling层（图中的蓝箭头，红箭头） 每一次下采样特征通道的数量加倍 解码部分 和编码层类似，反卷积也有4个重复结构组成 每个重复结构前先使用反卷积，每次反卷积后特征通道数量减半，特征图大小加倍（绿箭头） 反卷积之后，反卷积的结果和编码部分对应步骤的特征图拼接起来（白/蓝块） 如果编
语义分割——Unet模型
hallobike的博客
01-11 1万+
语义分割的UNET网络结构 Unet是2015年诞生的模型，它几乎是当前segmentation项目中应用最广的模型。 Unet能从更少的训练图像中进行学习，当它在少于40张图的生物医学数据集上训练时，IOU值仍能达到92%。 Unet网络非常简单，前半部分作用是特征提取，后半部分是上采样。在一些文献中也把这样的结构叫做编码器-解码器结构。由于此网络整体结构类似于大写的英文字母U，故得名U-net。 这里的融合使用的是tf.concat()，FCN中使用的是tf.add()。 Unet实例，城
unet-onnx工程原始模型下载
09-28
https://github.com/cagery/unet-onnx/tree/main 开源链接下载不了原始模型unet_carvana_scale1_epoch5.pth，使用git lfs下载也提示报错，最后各种找资源找到了，上传一份，供大家测试使用
使用 ResNet50深度学习模型预测钢材中的缺陷并使用 Res-UNET 模型类直观地定位缺陷_Jupyter_python
06-12
使用 ResNet50 深度学习模型预测钢板上的缺陷，并使用 Res-UNET 模型直观地定位缺陷。 该项目旨在从图像中预测钢板的表面缺陷。这种计算机视觉技术利用预训练的 ResNet50 模型利用迁移学习。如果检测到默认值，另一...
皮肤病语义分割数据集+代码+unet模型 2000张标注好的数据+教学视频
02-13
这里是肆十二，这转眼间寒假就要过完了，相信大家的毕设也要准备动手了吧，作为一名大作业区的UP主，也该蹭波热度了，之前关于图像分类和目标检测我们都出了相应的教程，所以这期内容我们搞波新的，我们用Unet来做...
PyTorch-UNet:UNet模型的PyTorch实现-https
05-16
U-Net-PyTorch实施模型（一种流行的图像分割网络）的实现。 这是非常稳定和可配置的，我已经在多个数据集中使用了它，并将其作为几个项目的组成部分。 更新：还支持基于的3-D卷的分段更新：所有批次归一化操作已被...
unet语义分割模型
qq_53640005的博客
05-31 8458
Unet模型介绍 Unet可以分为三个部分，如下图所示： 第一部分是主干特征提取部分，我们可以利用主干部分获得一个又一个的特征层，Unet的主干特征提取部分与VGG相似，为卷积和最大池化的堆叠。利用主干特征提取部分我们可以获得五个初步有效特征层，在第二步中，我们会利用这五个有效特征层可以进行特征融合。 第二部分是加强特征提取部分，我们可以利用主干部分获取到的五个初步有效特征层进行上采样，并且进行特征融合（对上采样得到的结果进行通道的堆叠），获得一个最终的，融合了所有特征的有效特征层。 第三部分
【语义分割】unet结构和代码实现
weixin_40293999的博客
03-19 7708
Unet是2015年诞生的模型，它几乎是当segmentation项目中应用最广的模型。Unet已经成为大多做医疗影像语义分割任务的最基础的网络结构。也启发了大量研究者去思考U型语义分割网络。即使在自然影像理解方面，也有越来越多的语义分割和目标检测模型开始关注和使用U型结构Unet能从更少的训练图像中进行学习。当它在少于 40 张图的生物医学数据集上训练时，IOU 值仍能达到 92%。语义分割训练的过程很慢，因为对每一个像素分类的原因。earily stop 是必须使用的。
UNet语义分割模型的使用-Pytorch
JJSXBL的博客
03-03 2955
本篇文章使用Pytorch实现了Unet语义分割模型，使用的数据集是Carvana Image Masking Challenge，模型的训练达到了较好的效果。
深度学习零基础学习之路——第四章 UNet-Family中Unet、Unet++和Unet3+的简介
Monkey_King_GL的博客
11-13 1万+
深度学习小白的学习之路，从零开始，一步一步向深度学习大佬靠近。学习使用Unet网络模型，并对其后续提出的Unet++、Unet3+进行对比学习。
UNet、U²Net医学图像分割网络
weixin_43227526的博客
12-21 553
对于医学图像的分割任务，这里使用UNet网络实现CT影响的病灶区域分割任务。记一篇学习笔记。
UNet&FusionNet
zky1030的博客
03-22 1255
医学图像分割经典之作UNet论文心得 & 关于医学图像分割的相关补充论文FusionNet 医学图像分割概述医学图像分割介绍医学图像分割难点U-Net论文 & FusionNet论文U-Net论文摘要 & FusionNet论文摘要U-Net引言算法架构实验设置实验分析总结 医学图像分割概述 医学图像分割是医学图像处理与分析领域的一个复杂而又关键的步骤，目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准
unet模型matlab
06-15
UNet模型在MATLAB中使用非常方便，MATLAB提供了深度学习工具箱来支持训练和测试UNet模型。用户只需要将自己的数据集导入MATLAB中，即可使用UNet模型进行训练和测试。 在训练时，用户可以使用预置的UNet模型或自己...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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