最详细的语义分割---05利用训练好的模型进行预测

前面已经将模型训练好了，并将权重文件保存在weights文件夹中，接下来可以利用predict脚本对模型做一个简单的预测，看一下模型的预测效果。

首先就是导入之前训练的模型，并加载权重。注意这里归一化的均值和方差一定要填写你训练时候的均值和方差。然后填写对应的权重路径和图像路径，和预测结果的保存路径。

本次预测的图像为：

将以上准备工作做好之后就可以运行脚本来进行预测。主要的思路就是将图片归一化之后送入网络，然后对预测结果进行处理，根据要求还原图像。主要的代码如下：

语义分割的预测结果一般是有N个通道（N为分割的类别数），其中每个通道上的像素点表示该像素点属于这个通道的概率（也就是属于这个类别的概率，因为每个通道都代表着一个类别，例如第1个通道上的所有像素点就表示网络预测那些像素点属于第一个类别，如果这些像素点属于这个类别，那么预测结果的值就比较大，反之若不属于这个类别，网络的预测结果就比较小，接近于0）。我们在通道维度进行softmax处理，就可以将预测结果转换为0-1之间的概率，然后在每个像素的位置取最大值的索引，用于代表这个像素的类别。
需要注意的是，由于pytorch只能按batch处理图像，所以对于单张图像的预测，要对它利用unsqueeze增加一个batch维度，送入网络预测出结果后要利用squeeze去除batch维度。
通过softmax和argmax取通道最大的索引之后，我们获得的预测结果就是和输入图像一样大小的预测图，图中的每个位置的像素点的值是网络对该像素点预测的类别，其数值为0-N(N为网络需要预测的类别)，这些数值人眼是无法进行观察的，所以需要对它进行染色，转换成便于观察的彩色图像。对于将预测结果进行后处理的代码主要如下：

这部分的功能就是将图像根据提供的染色板进行染色，然后保存。具体的代码分析可以看后面的博文，有对染色过程的详细介绍。
预测图像的标签是这个：

预测结果为：

由于只训练了一个epoch，哈哈哈哈 预测的结果比较拉跨。多训练几次效果应该会更好！