本文介绍了使用PyTorch实现眼球分割的工程实践，包括数据准备、标注、模型训练以及将训练结果部署到libtorch。通过手动标注大量眼部图片，利用U-Net模型进行训练，并对比了CPU与GPU的训练效率。最终，成功将模型应用到桌面程序中。
深度学习工程实践 6. 使用pytorch训练自己的眼球分割模型
1. 概述
眼球分割，如果是在特定的眼球拍摄场景下，实际上直接用Opencv固定参数的方法就能够达到非常准确的识别率，但是，对任意的人像图片要达到准确的效果，Opencv固定参数的方法就要失效了。
这时候就考虑使用U-net来进行训练和分割了。
2. 目标
- 使用pytorch实现眼球分割训练，并将训练好的结果部署到libtorch上
3. 工程实践
主要步骤:
- 找到眼睛数据
- 标注眼球mask图
- 图片修改到指定大小(224x224)
- 训练
- 验证结果
3.1 数据寻找，数据标注
其实主要的步骤，都是在组织数据。 要训练一个前人没有训练过的模型，数据清洗真的是一个非常痛苦的事情。 我在谷歌上下载了120张左右的眼睛图片，然后一张一张使用PS(微软的paint.net非常推荐，小巧快捷)进行收工标注，这个过程，都是手工活。 要快一点的化，下载和命名等，都使用了批量化工具，下载用的批量工具是chrom的一个扩展应用，图片批量助手，批量转换文件格式以及大小，使用的是XConvert这个工具。经过将近半天的忙活，得到了如下的数据集:
然后是痛苦的，一张一张的标注:
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
