Golemon的博客

创建一个python版本为beta的虚拟环境名为env_name的虚拟环境。

打开“系统属性-高级-环境变量-user的用户变量-选择Path-编辑”在变量值后面依次添加之前要求记住的自己的安装路径（例如我的）点击Next，到用户设置时，建议All。以上就将anaconda配置好了。即编辑Path的环境变量。安装好后进行环境配置。设置好存储文件位置。

数据集自行下载：https://host.robots.ox.ac.uk/pascal/VOC/voc2007/因为VOC数据集太大，上传github很慢，所以就没有上传VOC数据，只有参考的目录位置。

用于测试UNet网络训练的。对输入的图像进行分割，并将分割结果保存为图像文件。

构建好UNet网络模型后，需要进行训练。但是训练需要特别多的原始图像和标签图像，对于一般而言这一步特别繁琐，不过在网上有一些免费的数据集可以让我们省略这一步，直接进行训练测试。VOC（Visual Object Classes）数据集是一个广泛使用的计算机视觉数据集，主要用于目标检测、图像分割和图像分类等任务。VOC数据集最初由英国牛津大学的计算机视觉小组创建，并在PASCAL VOC挑战赛中使用。

代码参考，根据该UP主的代码，加上我的个人整理和理解。（这个UP主的代码感觉很好，很规范UNet网络由三部分组成：卷积块，下采样层，上采样层。

标记图片。JPEGImages：原始图片。数据集往往都是很多的图片等信息，对于数据集类来说，一个类里有所有数据的信息，并且可以用下标进行访问，就像访问数组一样。在pytorch中有Dataset类，用于创建自定义数据集类。我们可以用继承Dataset类来实现数据集类。在一个数据集类中，需要确定数据集所在的位置，也要用实现下标访问，用__len__实现数据集大小。对于标记图片和原始图片可能大小或者格式不同，需要将这两个图片的格式统一。代码参考，根据该UP主的代码，加上我的个人整理和理解。

语义分割（Semantic Segmentation）是计算机视觉领域的一项基础任务，旨在将图像中的每个像素分配到特定的语义类别中，即对图像中的每个像素进行分类，从而实现对图像像素级别的理解和分析。与图像分类任务不同的是，语义分割需要对图像中的每个像素进行分类，因此其输出的信息量更加丰富，能够为后续的高级任务如目标检测、图像分割、姿态估计等提供更加精细的信息支持。最后，Unet 的最后一层通常是一个 1x1 的卷积层，用于将特征图映射到指定的类别数，并生成最终的分割结果。等价于：对每个像素进行分类。

今天，想着将之前鸽的Unet网络模型给实现一下，结果发现，在vscode中运行python脚本，显示没有这包，没有那包。但是在其他的ipynb中是有的，感觉很奇怪。我检查了一下python版本，发现不是我深度学习的python3.8版本，而是默认的3.10。然后我想在vscode的终端中显式的调用conda虚拟环境中的python，但是conda命令却用不了。经过一顿分析和搜索，终于找到了原因：vscode终端的powershell脚本执行策略受限。然后就可以快乐的深度学习了。（就会发现是码的错了。

_init__里面是初始化方法，例如传入图片的路径，或者要不要选择预处理等。__init__ # 初始化：指定路径，是否进行预处理等# os.listdir : 会将data下面的image中所有的文件读取，放在imgs里面img_path = os.path.join(path, "image/") # 进行拼接 得到 data/train/image/# 取出path下所有的文件self.transforms = transform # 图像预处理。

这是因为**虽然两者实现了相同的卷积操作，但由于它们的初始化和权重值的不同，因此输出结果可能不完全一致。**另外，对于卷积操作的结果，输出的张量形状可能会有所不同，但数值内容应该是相似的。如果希望确保两种方式得到的输出结果完全一致，可以尝试使用相同的初始化参数，并确保权重值相同。如果输入大小为：数量N即批处理大小（batch size），输入通道数C_in，输入高度H_in，输入宽度C_in。输出大小为：数量N，输出通道数C_out，输出高度H_out，输出宽度C_out。：卷积层的卷积核大小。