【深度学习|语义分割之UNet】如何使用ResNet50 作为 U-Net 网络的骨干网络（backbone）并使用预训练的 ResNet50 模型。附代码及解读。

已于 2025-03-17 19:13:25 修改
阅读量1.9k 收藏 14
点赞数 11
分类专栏： 深度学习中的各类神经网络 文章标签： 深度学习 网络 人工智能 大数据
于 2024-12-15 07:30:00 首次发布
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/gaoxiaoxiao1209/article/details/144326437
版权

【深度学习|语义分割之UNet】如何使用ResNet50 作为 U-Net 网络的骨干网络（backbone）并使用预训练的 ResNet50 模型。附代码及解读。

【深度学习|语义分割之UNet】如何使用ResNet50 作为 U-Net 网络的骨干网络（backbone）并使用预训练的 ResNet50 模型。附代码及解读。

文章目录

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/gaoxiaoxiao1209/article/details/146183790

前言

要将 ResNet50 作为

了解本专栏 订阅专栏 解锁全文 超级会员免费看
主干网络篇 | YOLOv8 更换骨干网络之 ResNet50/ResNet101 | 原论文一比一复现
YOLOv8项目贡献者
01-02 3694
YOLOv8 更换骨干网络之 ResNet50/ResNet101 | 原论文一比一复现
resnet50网络搭建
weixin_48433993的博客
07-15 8685
它分成两个基本模块，一个是basic block，另一个是bottle neck模块，一般层数较低的用basicblock搭建，层数较深的用bottle neck模块，resnet50用的是bottleneck搭建的，两个模块的网络结构如图下。为什么有多余的一个边，通俗讲就是为了可以搭建更深的网络，采用F(X)+X求它的梯度比F(X)的梯度更不容易导致梯度下降。另一种说法是当这一层的卷积权重不那么重要的时候就可以直接连接下一部分，也就是那条多的线，而忽略掉卷积权重这一部分。结果与图2的网络结构是一致的。
深度学习 Unet+Resnet101 实战分割项目、多尺度训练、迁移学习、多类别分割：腹部多脏器5类别分割数据集
02-08
本项目为 Unet+Resnet101 多尺度分割实战项目（包含数据集），unet的backbone更换为resnet101 数据集采用腹部多脏器5类别分割数据集 项目介绍：总大小202MB 1.train 脚本会自动训练，代码会自动将数据随机缩放为设定尺寸的0.5-1.5倍之间，实现多尺度训练。为了实现多分割项目，utils中的compute_gray函数会将mask灰度值保存在txt文本，并且自动为UNET网络定义输出的channel 2.项目的预处理函数全部重新实现，可以在transforms.py自行查看。 3.网络训练了100个epochs，miou达到0.9左右，学习率采用cos衰减，训练集和测试集的损失和iou曲线可以在run_results文件内查看，图像由matplotlib库绘制。除此外，还保存了训练日志，最好权重等，在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等 4.预测脚本可以自动推理inference下所有图片 代码做了注释，自行下载查看，想要训练自己的数据，参考README文件，傻瓜式运行
UNet以ResNet34为backbone in keras
m0_37477175的博客
11-08 1万+
参考：https://www.kaggle.com/meaninglesslives/unet-resnet34-in-keras
ResNet50深度解析：原理、结构与PyTorch实现
最新发布
LChuck的博客
03-11 4296
ResNet50是深度学习领域的里程碑模型，通过创新的残差学习框架解决了深层神经网络训练中的梯度消失问题。其核心思想是学习残差映射F(x)=H(x)-x，而非直接学习输入到输出的映射H(x)，通过跳跃连接使梯度能直接流过，有效缓解梯度消失。 ResNet50采用Bottleneck设计，包含50层卷积层，由头部(初始特征提取)、主体(4个残差块组)和尾部(分类器)组成。其特点是参数高效(约25.5M参数)、梯度流动稳定和特征重用能力强，广泛应用于图像分类、目标检测、语义分割和迁移学习等视觉任务。
迁移学习：使用Resnet预训练模型构建高效的水果识别模型
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
08-03 3550
迁移学习（Transfer Learning）是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。迁移学习通俗来讲就是学会举一反三的能力，通过运用已有的知识来学习新的知识，其核心是找到已有知识和新知识之间的相似性，通过这种相似性的迁移达到迁移学习的目的。
resnet预训练模型_何恺明团队开源最强ResNeXt预训练模型：打破ImageNet纪录，弱监督学习拯救世界...
weixin_39767887的博客
12-06 613
栗子 发自 凹非寺 量子位 报道 | 公众号 QbitAI来自Facebook何恺明团队，比以往都强大ResNeXt预训练模型开源了。它叫ResNeXt WSL，有超过8亿个参数，用Instagram上面的9.4亿张图做了 (弱监督) 预训练，用ImageNet做了微调。注：WSL是弱监督学习，不是Windows里面的Linux。ImageNet测试中，它的 (32×48d) 分类准确率达到85....
Pytorch - 使用pytorch自带的Resnet作为网络的backbone
HW140701的博客
01-10 3440
在使用Pytorch搭建自己的神经网络框架时，经常需要使用Pytorch中内置的中的模型作为特征提取的Backbone，然后再在这个基础上进行更加复杂的网络搭建。在这里以使用Pytorch中内置的Resnet18为例，如何作为Backbone层进行使用，看以下示例代码使用上述代码，如果输入Tensor的维度为[1,3,244,244]，fowward输出的Tensor的维度为[1,512,1,1]，如果我们需要输出的Tensor维度为[1,512]，需要squeeze相应的维度，修改后的代码如下。
神经网络—ResNet50网络（pytorch）
热门推荐
2403_86447519的博客
08-30 1万+
神经网络—ResNet50网络代码实现（pytorch）
【霹雳吧啦】手把手带你入门语义分割5：PyTorch 官方实现的 FCN 网络结构（Resnet50 Backbone 、FCN Head、Bilinear Interpolate）
作者正在煮茶中...
12-11 2036
这篇文章是我根据 B 站 霹雳吧啦Wz 的《深度学习：语义分割篇章》所作的第五篇学习笔记，主要介绍了 PyTorch 官方实现的 FCN 网络框架，包括其 Resnet50 Backbone 、FCN Head 和 Bilinear Interpolate 模块。作者小白，请多包涵！
resnet各种预训练模型
11-09
resnet预训练模型有resnet18.caffemodel，resnet50.caffemodel，resnet101.caffemodel，resnet152.caffemodel
pytorch-resnet18和resnet50官方预训练模型
08-22
pytroch官网提供的预训练模型：resnet18：resnet18-5c106cde.pth和resnet50：resnet50-19c8e357.pth（两个文件打包在一起）
keras resnet 训练自己的数据
04-30
keras resnet 迁移训练数据 和 读取数据
RESNet50+FCN模型文件
03-06
RESNet50+FCN train模型文件
深度学习 Unet+Resnet101 实战分割项目、多尺度训练、迁移学习、多类别分割：DRIVE视神经分割数据集
02-08
本项目为 Unet+Resnet101 多尺度分割实战项目（包含数据集），unet的backbone更换为resnet101 数据集采用DRIVE视神经2类别分割数据集 项目介绍：总大小203MB 1.train 脚本会自动训练，代码会自动将数据随机缩放为...
深度学习 Unet+Resnet 实战分割项目、多尺度训练、多类别分割：卫星图像道路分割图像分割数据集（二值图像分割任务）
03-06
本项目为 Unet（backbone为Resnet）多尺度分割实战项目，包含数据集、代码、训练好的权重文件。经测试，代码可以直接使用 项目介绍：总大小953MB 本项目数据集：卫星图像道路分割图像分割数据集 网络仅仅训练了10个...
深度学习 Unet+Resnet 实战分割项目、多尺度训练、多类别分割：遥感影像乡村建筑物分割（2分类）
04-24
本项目为 Unet（backbone为Resnet）多尺度分割实战项目，包含数据集、代码、训练好的权重文件。经测试，代码可以直接使用 项目介绍：总大小250MB 本项目数据集：遥感影像乡村建筑物分割图像 网络仅仅训练了10个...
基于UNnet(backbone=resnet34) 对 PASCAL VOC 的分割
Henry的博客
05-31 1545
本文使用resnet 34作为backbone代替传统unet的 vgg，实现对PASCAL VOC的分割训练了两百个epoch后，mean iou到达了0.4左右，没有达到预期的效果基于UNnet 对 PASCAL VOC 的分割。
resnet50主干分割
02-08
### 使用ResNet50作为主干网络进行语义分割 为了实现基于ResNet50的语义分割模型，在PyTorch中可以利用`torchvision.models.segmentation.deeplabv3_resnet50(pretrained=True)`来加载带有ResNet50骨干网的预训练DeepLabV3模型[^1]。 #### PyTorch中的具体操作方法： 在PyTorch环境中，可以通过以下方式初始化并修改该模型以适应特定的数据集需求。下面是一个简单的例子展示如何完成这一目标： ```python import torch from torchvision import models, transforms from PIL import Image import numpy as np # 加载预训练的DeepLabV3 with ResNet50 backbone model = models.segmentation.deeplabv3_resnet50(pretrained=True) # 假设类别数量不是默认值，则需调整分类器部分 num_classes = 2 # 如二分类问题 if num_classes != model.classifier[4].out_channels: model.classifier[4] = torch.nn.Conv2d(256, num_classes, kernel_size=(1, 1), stride=(1, 1)) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device); ``` 对于TensorFlow用户来说，虽然官方API可能有所不同，但是概念上是一致的——即先获取一个已经过ImageNet训练好的ResNet50模型，并在此基础上构建适合于语义分割任务的新架构。这里提供了一个类似的思路用于指导开发人员在TensorFlow框架下工作： ```python import tensorflow as tf from tensorflow.keras.applications.resnet50 import ResNet50 from tensorflow.keras.layers import Input, Conv2DTranspose, Concatenate, BatchNormalization, Activation from tensorflow.keras.models import Model def build_deeplabv3_plus(input_shape=(None, None, 3)): base_model = ResNet50(include_top=False, weights='imagenet', input_tensor=Input(shape=input_shape)) # 获取不同层次特征图 c1 = base_model.get_layer('conv1_relu').output c2 = base_model.get_layer('conv2_block3_out').output c3 = base_model.get_layer('conv3_block4_out').output c4 = base_model.get_layer('conv4_block6_out').output # ASPP模块和其他组件... # (此处省略具体的ASPP结构搭建代码) output = ... # 完成最终输出层的设计 return Model(inputs=[base_model.input], outputs=output) deeplabv3p = build_deeplabv3_plus() ``` 上述两段代码分别展示了如何在两个不同的深度学习库中使用ResNet50作为基础网络来进行语义分割的任务设置。需要注意的是，实际应用时还需要考虑输入图片尺寸、批量大小等因素的影响以及针对特定应用场景做适当调整[^2]。
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

985小水博一枚呀

祝各位老板前程似锦！财源滚滚！

¥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