超分学习1：复现pytorch版本unet网络

有积分直接下就行，我全都打包好了
Unet-pytorch完整压缩包
或者按照下面的步骤一步步来
代码：Pytorch-UNet
数据：

1. Carvana Image Masking Challenge
2. TGS Salt Identification Challenge 这个train用不了，就别下了

数据集

1. 汽车数据

该数据集包含大量的汽车图像（如.jpg文件）。 每辆汽车正好有16张图像，每个图像以不同的角度拍摄。 每辆车都有一个唯一的ID，图像根据id_01.jpg，id_02.jpg … id_16.jpg命名。 除了图像之外，还为您提供有关汽车制造商，型号，年份和内饰的一些基本元数据。

对于训练集，将为您提供一个.gif文件，其中包含每个图像的手动剪切蒙版。 竞争任务是在测试集文件夹的图像中自动分割汽车。 为了阻止手工标记，我们在测试集中添加了在评分中被忽略的汽车图像。

用来为本比赛打分的指标要求您提交的内容采用游程编码格式。 有关详细信息，请参见评估页；有关编码外观的真实示例，请参见train_masks.csv。

盐和岩的地震波反射影像数据

使用反射地震学或地震反射来收集地震数据。该方法需要受控的地震能源，例如压缩空气或地震振动器，并且传感器记录地下岩石界面的反射。然后处理记录的数据，以创建地球内部的3D视图。反射地震学类似于X射线，声纳和回声定位。

通过对来自岩石边界的反射进行成像可以生成地震图像。地震图像显示了不同岩石类型之间的边界。从理论上讲，反射强度与界面两侧物理性质的差异成正比。尽管地震图像显示了岩石边界，但它们并没有对岩石本身说太多。有些岩石很容易识别，而有些则很难。

世界上有几个地区的地下盐分很多。地震成像的挑战之一是识别地下盐分。盐具有易于识别和难以识别的特征。盐密度通常为2.14 g / cc，低于大多数围岩。盐的地震速度为4.5 km / sec，通常比其周围的岩石快。这种差异会在盐沉淀物界面处产生尖锐的反射。通常，盐是无定形的岩石，内部结构不多。这意味着盐内部通常没有太大的反射率，除非里面有沉淀物。盐的异常高地震速度会给地震成像带来问题。
数据

数据是在地下随机选择的各个位置选择的一组图像。图像为101 x 101像素，每个像素被分类为盐或沉积物。除了地震图像外，还为每个图像提供了成像位置的深度。比赛的目的是将含盐区域进行细分

images是左边的，mask是右边，我理解尖锐的是盐部分，黑色mask

代码

环境

环境比较简单，ubuntu16.04系统，按照github上面说的装就行

conda create -n unet python=3.6 
pip install -i https://pypi.doubanio.com/simple/ -r requirements.txt

测试

在这里下载权重Release of a Carvana Unet pretrained model，然后按照下面指令推理

python predict.py -m unet_carvana_scale1_epoch5.pth -i Selection_002.png -o output.png

汽车的测试效果还可以

盐的还需要自己训练一下

训练

1. 数据格式

讲数据如下存放就行

——data
	—imgs
	—masks

2. 名称统一

盐的数据有的没有mask，train不了，所以可以尝试运行一下汽车的，在data下面的mask文件里面新建rename.py

#data/masks/rename.py

import os

files = os.listdir('.')
for file_name in files:
    portion = os.path.splitext(file_name)
    if portion[1] == ".gif":
        new_name = portion[0]-"_masks" + ".jpg"
        os.rename(file_name, new_name)

3. 训练

python train.py -f unet_carvana_scale1_epoch5.pth