【unet语义分割训练自己的数据集---失败】

复现的Unet网络,得出的测试图是这样的:

在这里插入图片描述

而当我换成自己的数据集,训练完成后确是这样。

测试原图:
请添加图片描述

测试分割出的结果图:
在这里插入图片描述
以下是代码:train.py的参数设置


def train_net(net,
              device,
              epochs=10,
              batch_size=1,
              lr=1e-4,
              val_percent=0.1,
              save_cp=True,
              img_scale=0.5):

    logging.info(f'''Starting training:
        Epochs:          {epochs}
        Batch size:      {batch_size}
        Learning rate:   {lr}
        Training size:   {n_train}
        Validation size: {n_val}
        Checkpoints:     {save_cp}
        Device:          {device.type}
        Images scaling:  {img_scale}
    ''')

    optimizer = optim.RMSprop(net.parameters(), lr=1e-4, weight_decay=1e-8)
 
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
UNET是一种常用于语义分割任务的卷积神经网络模型。如果要使用UNET进行语义分割,并且使用自己的数据集,可以按照以下步骤进行: 1. 数据收集:首先,需要收集适合您任务的语义分割数据集。这可能包括图像和相应的标签。图像是原始图像,标签是与每个像素对应的正确的类别或分割掩模。 2. 数据预处理:对于UNET模型,通常需要将图像和标签调整为相同的大小。还可以进行其他预处理步骤,例如裁剪、旋转、对比度增强等,以增加数据集的多样性和鲁棒性。 3. 数据划分:将数据集划分为训练集、验证集和测试集。训练集用于训练UNET模型的参数,验证集用于调整模型的超参数和监控训练过程,测试集用于评估模型的性能。 4. 数据增强:使用数据增强技术来扩充训练集的大小。数据增强可以包括镜像翻转、平移、旋转、缩放等操作,以增加数据集的多样性,提高模型的泛化能力。 5. 模型训练:使用训练集来训练UNET模型。训练过程中可以使用反向传播算法和优化器来更新模型的权重和偏置,以最小化预测分割掩模与真实标签之间的差异。 6. 模型评估:使用验证集来评估训练得到的UNET模型的表现。常见的评估指标包括准确率、召回率、F1分数等。 7. 模型调优:根据验证集的表现,可以调整UNET模型的超参数,如学习率、批大小、卷积核大小以及网络层数等,以获得更好的性能。 8. 模型测试:使用测试集来测试最终训练得到的UNET模型的性能。通过将模型应用于未见过的图像,并与预期的标签进行比较,可以评估模型在真实场景中的表现。 总之,使用UNET进行语义分割自己的数据集需要数据收集、预处理、划分、增强、模型训练、评估、调优和测试等步骤。这些步骤可以帮助您创建一个高性能的语义分割模型,用于将图像分割成不同的语义区域。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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