小菜狗套Unet分割模型

最新推荐文章于 2024-07-25 13:50:13 发布
最新推荐文章于 2024-07-25 13:50:13 发布
阅读量1.8k 收藏
点赞数
分类专栏： 图像分割 文章标签： pytorch 深度学习 计算机视觉
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/carpdiem_fan/article/details/122158382
版权

研二上半学期末(此刻)，成为了一枚转cv图像分割的萌新，佩服自己的勇气，只能说永不放弃吧，努力学习就一定会有收获。

花了一个礼拜请教了好几位同学(菜狗)，手把手套模型开始了。

参照大佬pytorch模型憨批的语义分割重制版6——Pytorch 搭建自己的Unet语义分割平台_Bubbliiiing的学习小课堂-CSDN博客

  • 第一步：安装自己的环境，大佬的是torch==1.2.0 torchvision==0.4.0 新建一个conda环境，高版本的 torchvision 可能不兼容，我也是在其他环境不可以重新建的
  • 第二步：下载数据集 用的是voc2007 train 跟val 不用test数据集
  • 第三步：放进对应的位置
  • 第四步：改路径包括 model_data下面的权重路径
  • 第五步：看下里面的参数是不是你想要的，例如想要这个resnet50来训练自己的模型，mio值还是dice_loss，然后就可以在命令行运行python train.py
  • 第六步：这个代码里是训练train 然后用train训练好的网络模型再去预测val值，train和val 都有标签，一般说的test 是没有标签 官网提供然后你训练完了跟官网的标注对比得出一个csv  给官网评分
  • 第七步：训练完成之后predict.py是把自己的val数据集分割效果可视化

 大佬还是大佬，无论从逻辑思路还是排版以及耐心，都值得学习

期待自己下次没那么懒

你说你是哪块小饼干？
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
FCN（Fully Convolutional Network）与Unet：谈到语义分割不得不提的两个网络
wyzjack47的博客
07-19 1万+
转载请注明出处：https://blog.csdn.net/wyzjack47/article/details/81107980 语义分割经典之作：FCN（Fully Convolutional Network） 参考论文：Fully Convolutional Networks for Semantic Segmentation. Jonathan Long ,Evan Shelhamer ...
pytorch训练第一个项目VOC2007分割
m0_63172128的博客
03-03 970
终于开始了，但是数据集太庞大，10000多张图，太多了，查看GPU好像没有用到啊。查询发现还是GPU用不上，于是乎改了CPU，跑起来了，哈哈哈哈.但是速度就惆怅了！开始从原始地址下，太慢太慢，找镜像源下载，试了阿里云没有合作，清华源有！那么就是没有'past'包，但是根本没有这个名字，实际上是需要下载包。补充一个查看这个的方法：win+i可以调出搜索：任务管理器——性能。等不到可以先终止，接下来有时间再跑，或者想想办法搞上gpu！
Unet语义分割
weixin_51431157的博客
06-18 519
初学语义分割，由于Unet是2015年发布，距今已有八年，以现在的视角看，难免存在许多缺陷。
[极简]pytorch版Unet训练自己的数据集
Hurt_Town的博客
04-13 2189
一、准备数据集 VOCdevkit VOC2007 JPEGImages SegmentationClass ImageSets Segmentation test.txt train.txt trainval.txt val.txt 把所有jpg原图片放到JPEGI
基于改进yolov4和unet的飞机目标的分割
weixin_47505584的博客
09-25 5796
一篇之前写的分割图片中小飞机目标的论文，思路较简单，先用yolo目标检测框架提取出ROI再用Unet进行分割，最后融合。 摘要：航拍影像中飞机目标占图像比例往往较低，为了解决语义分割中对飞机目标分割存在效果差，准确性低的问题，提出一种基于改进的yolov4和unet结合的小目标分割方法。为了提高yolov4的训练速度，降低模型复杂度，使用mobilenet对yolov4主干网络进行改进，使用改进后的模型提取出图像中ROI区域，再将该区域送入vgg16-unet进行分割，最后将分割出的各个子目标和原图像
Pytorch 预训练模型加载参数，VOC2007数据处理及数据集分类文件夹整理
冬炫的博客
09-26 1548
model = Unet(3, 1)#,) from torchsummaryX import summary #summary(model, torch.zeros(5, 3, 512, 512)) for name in model.state_dict(): print(" %s : %s" % (name, model.state_dict()[name].shape)) #print(model.state_dict()[name])#这个是weight bias 对应的数值 .
unet对voc2012数据集分割
iteslafan的博客
11-20 3422
数据的读取 torch.utils.data.Dataset 对Dataset的具体介绍 Dataset是一个抽象类，相比于自己写的迭代器，它可以方便地实现多线程读取，shuffle，batch操作 自定义一个类继承它，需要自己实现__getitem__ () len__() ...
练习题︱图像分割与识别——UNet网络练习案例（两则）
热门推荐
素质云笔记
04-27 4万+
代码见Github：mattzheng/U-Net-Demo U-Net是Kaggle比赛非常青睐的模型，简单、高效、易懂，容易定制，可以从相对较小的训练集中学习。来看几个变形： （1）Supervise.ly 公司。 在用 Faster-RCNN（基于 NasNet）定位 + UNet-like 架构的分割，来做他们数据众包图像分割方向的主动学习，当时没有使用 Mask...
用faster-rcnn训练自己的数据集(VOC2007格式,python版)
Howie的博客
06-13 8212
用faster-rcnn训练自己的数据集(VOC2007格式,python版)一. 配置caffe环境ubunt16.04下caffe环境安装二. 下载,编译及测试py-faster-rcnn源码(一)下载源码github链接或者执行 git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git注意加上–recursive
【解决】Unet训练自己的数据集，预测结果全黑
新手村打蘑菇
09-07 2万+
unet代码参考：zhixuhao / unet 解决方法参考：U-Net预测自己数据集全黑解决方法 用自己的数据集直接替换源代码内的数据集，训练好模型后预测，结果全黑。。 原因： 查看数据集中图像的位深 参考的代码内所需图片格式是.png，位深为8，所以要把自己数据集图片的位深也改为8 ...
pytorch用自己数据集训练Unet
女神sha手的博客
04-13 4502
在图像分割这个问题上，主要有两个流派：Encoder-Decoder和Dialated Conv。本文介绍的是编解码网络中最为经典的U-Net。随着骨干网路的进化，很多相应衍生出来的网络大多都是对于Unet进行了改进但是本质上的思路还是没有太多的变化。比如结合DenseNet 和Unet的FCDenseNet, Unet++ 一、Unet网络介绍 论文：https://arxiv.org/abs/1505.04597v1(2015) UNet的设计就是应用与医学图像的分割。由于医学影像处理中，数据..
制作VOC2007格式数据集并训练YOLOv3权重文件
qq_25349629的博客
02-17 3429
１ 下载darknet并编译测试 (1) 下载darknet源码并编译 git clone https://github.com/pjreddie/darknet cd darknet 如果使用CPU，直接 make 如果使用GPU，需要先修改Makefile文件，修改部分如下 GPU=1 CUDNN=1 ... NVCC=/usr/local/cuda/bin/nvcc 然...
Pytorch 搭建自己的Unet语义分割平台
weixin_42483745的博客
05-01 2463
文章目录前言Unet实现思路一、预测部分1、主干网络介绍2、加强特征提取结构3、利用特征获得预测结果二、训练部分1、训练文件详解2、LOSS解析训练自己的Unet模型一、数据集的准备二、数据集的处理三、开始网络训练四、训练结果预测 前言 Unet是一个优秀的语义分割模型，其主要执行过程与其它语义分割模型类似。 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
[pytorch]医学图像语义分割UNET和UNET变体代码（包含多个数据集）
ZJE
02-13 1万+
一，UNET UNET可以称为医学图像语义分割的基石，而且经常作为baseline与其他模型对比。一般的器官分割，只要是正正常常，边界比较明显的，没什么特殊情况的，一般UNET就能做得很好。 UNET结构如下： UNET特点： 1.UNET结构和FCN十分相似，但是两者之间区分很大的一个地方就是，跳接(skip connection)处UNET是使用连接方式，即UNET采用将特征在ch...
基于 PyTorch 的模型瘦身三部曲：量化、剪枝和蒸馏，让模型更短小精悍！
m0_59257547的博客
07-22 671
：本文详细介绍了如何使用PyTorch实现模型量化、剪枝和蒸馏，以达到模型瘦身的目的。从理论原理到实践代码，全方位解读如何在保持模型性能的同时，显著减小模型大小和提高推理速度。无论你是深度学习新手还是资深开发者，都能从中获得宝贵的模型优化技巧。立即阅读，开启你的模型瘦身之旅！
【Pytorch实战教程】Pytorch中model.load_state_dict()的详细介绍
最新发布
惊鸿若梦一书生
07-25 1598
该方法用于将预先保存的参数字典加载到模型中。这种方法非常灵活，适用于加载不同环境中的模型参数。是 PyTorch 中加载模型参数的标准方法。通过理解state_dict和strict参数的用法，可以灵活地在不同模型版本之间加载和迁移参数，提高模型的复用性和管理效率。
pytorch lightning报错all tensors to be on the same device
Never Give Up
07-22 301
【代码】pytorch lightning报错all tensors to be on the same device。
Pytorch使用教学3-特殊张量的创建与类型转化
Antai_ZHU的博客
07-25 391
与numpy类似，PyTorch中的张量也有很多特殊创建的形式。zeros。
【PyTorch】单目标检测项目
Frost_Descent的博客
07-23 1641
将中央凹中心预测为眼睛图像中的x和y坐标，构建一个由多个卷积层和池化层组成的模型。 该模型将接收调整好的RGB图像，提供与中央凹坐标相对应的两个线性输出。模型将利用ResNet论文Deep Residual Learning for Image Recognition中介绍的skip connection跳跃连接技术。
Pytorch使用教学7-张量的广播
Antai_ZHU的博客
07-25 593
维度相同时，如果对应分量不同，但有一个为1，就可以广播。
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