【Bubbliiiing视频记录】Pytorch 搭建自己的Unet语义分割平台

原创 已于 2023-07-04 16:45:53 修改 · 4.8k 阅读 · 35 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #pytorch #人工智能 #unet

于 2023-07-03 00:30:00 首次发布
该文介绍了语义分割的概念，通过UNet网络结构进行图像像素级分类，其中使用VGG16作为BackBone。文章详细讲解了UNet的组成，包括特征提取、FPN的构建和预测过程，并提到了数据集的制作方法，如使用labelme工具进行标注。此外，还讨论了训练参数，如focalloss用于处理样本不平衡问题，以及miou作为评估指标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

来源

b站 地址

什么是语义分割

语义分割：对图像每个像素点进行分类
在这里插入图片描述常见神经网络处理过程：Encoder提取特征，接着Docoder恢复成原图大小的图片
在这里插入图片描述

UNet整体结构

分为三个部分

  1. 主干特征提取部分：
    • 卷积和最大池化的堆叠
    • 获得五个初步有效特征层
  2. 加强特征提取部分：
    • 五个初步有效特征层进行上采样 + 特征融合
    • 获得一个最终融合了所有特征的有效特征层
  3. 预测部分
    最后一个有效特征层对每一个特征点进行分类

在这里插入图片描述

BackBone-主干特征提取网络

bubbliiing使用的是VGG16作为主干特征提取网络。
UNet具体使用VGG16红色框线内的内容
在这里插入图片描述具体实现代码：

  • 卷积核都是1 × 1的，所以不改变高和宽，卷积核个数改变深度
  • M：最大池化，长和宽 / 2
    在这里插入图片描述

加强特征提取网络-FPN的构建

这块的步骤：堆叠->卷积->堆叠->卷积
在这里插入图片描述代码部分，主要unetUp来实现
一小步的实现如下两图：
在这里插入图片描述
在这里插入图片描述所有，最后输出的是512， 512， 64的特征层
在这里插入图片描述

利用特征获得最终的预测结果

利用1 × 1卷积，指定输出类别数目，即可
在这里插入图片描述

预测过程详解

unet的预测效果如下：
在这里插入图片描述代码过程如下所示：
在这里插入图片描述

数据集格式

  • JPEGImages：原图
  • SegmentationClass：标签（灰度图，飞机是1，人是15）
  • Segmentation
    • train.txt：训练集图片名字
    • val.txt：验证集图片名字
      在这里插入图片描述在这里插入图片描述

在这里插入图片描述

数据集的制作

使用一个软件labelme，版本3.16.7

pip install labelme==3.16.7 # 安装
labelme # 运行

在界面中通过一个闭环人工标注（真肝呀，yyds）
在这里插入图片描述
会生成对应的json文件
在这里插入图片描述利用json_to_dataset文件，输入自己的类别，得到分割结果
在这里插入图片描述得到分割结果
在这里插入图片描述

训练参数解析

num_class = 实际类别+1（背景）
在这里插入图片描述
冻不冻结？在这里插入图片描述

使用focal loss可以防止样本不平衡
在这里插入图片描述
核心是给不同的权重
在这里插入图片描述

训练自己的数据集

之前做好的数据集，用voc_annotation进行划分

在这里插入图片描述

miou 评价指标计算

在这里插入图片描述
在这里插入图片描述

看完了，完结撒花，不过想做分割的话，接下来看看sam，unet接下来可以看看变种了！

从零开始学习深度学习技术路线-以语义分割算法Unet为例
qq_41187032的博客
11-08 762
从零开始实现深度学习，u-net创建
语义分割基础篇 — DeepLabV3+（一）
qq_42782701的博客
03-18 7766
Deeplab系列也是分割领域的经典算法，Deeplabv3+则是这个系列的最新算法，充分融合了前面几个版本的优点，很适合大家上手。本文会详细介绍如何使用DeepLabv3+训练自己的数据集，很适合初学者快速完成任务。
在使用基于Pytorch的DeeplabV3+模型（Bubbliiiing）训练以及预测时遇到的问题
m0_61145631的博客
07-03 1652
最近在使用Bubbliiing的deeplabv3+模型对自己的数据集进行训练时，使用博主提供的json_to_dataset.py对labelme标注的数据进行转换后，训练完的模型在预测结果时。可能是环境配置和库版本不一的问题或是其他玄学问题，运行博主提供的json_to_datasets.py会导致原本应该像素值为1的点会乱掉（所以就像原博主说的，请仔细检查一下自己的数据集的格式和像素值的问题！又计算了miou值，好嘛（你看看你给孩子学了什么！其他问题请参考原博主的帖子。
pytorch 实现UNet
花生吃花生的学习记录
08-24 1268
pytorch实现UNet
U-Net Pytorch实现
WeisongZhao
10-05 3969
import torch.nn as nn import torch from torch import autograd #把常用的2个卷积操作简单封装下 class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super(DoubleConv, self).__init__() ...
Pytorch搭建UNet网络
weixin_43917574的博客
07-07 4370
Pytorch搭建UNet网络
【语义分割-1】使用pytorch搭建Unet
aoyou19的博客
08-12 849
pytorch Unet
Pytorch搭建U-Net网络
weixin_41803339的博客
06-18 7913
1、Pytorch 原来常用keras搭建网络模型，后来发现keras的训练模型速度和测试速度都较慢，因此转向使用pytorch，其实两者使用难度差不多，都是高层的深度学习框架，适合研究深度学习。 2、U_Net网络介绍 U_Net网络已经提出很早，常被用在图像语义分割领域。模型的主要结构如下图所示，包括下采样和上采样两个过程。为了保证上采样得到的特征图具有较强的语义信息、提高分割的精准度。...
Bubbliiiing
最新发布
04-03
Bubbliiiing 提供了一系列基于 PyTorch 实现的目标检测和语义分割工具包，其中包括但不限于 YOLOv7、DeepLabV3+[^2] 和 UNet[^3] 等经典模型。这些项目的共同特点是通过详细的文档说明和技术支持帮助用户快速上手并...
基于深度学习的本科毕业设计
m0_48433088的博客
05-14 1364
本科生关于目标检测、语义分割的毕业设计。
pytorch 编写unet网络用于图像分割
07-29
pytorch实现unet网络，专门用于进行图像分割训练。该代码打过kaggle上的 Carvana Image Masking Challenge from a high definition image.
基于pytorch的UNet_demo实现及训练自己的数据集.docx
08-11
基于pytorch的UNet分割网络demo实现，及训练自己的数据集。包括对相关报错的分析。收集了几个比较好的前辈的网址。
unet代码（tnesorflow,pytorch）.zip
03-09
从GitHub搬运过来的资料
Pytorch-Unet
03-20
UNet：使用PyTorch进行语义分割 在PyTorch中自定义实施以应对Kaggle的高清图像。 该模型从头开始使用5000张图像进行了训练（无数据增强），并且在超过100k张测试图像上获得了0.988423的（735中的511分）。可以通过更多的培训，数据增强，微调，使用CRF后处理以及在蒙版的边缘上施加更多的权重来提高此分数。 Carvana数据可在上。 用法 注意：使用Python 3.6或更高版本 预言 训练好模型并将其保存到MODEL.pth后，您可以通过CLI轻松测试图像上的输出蒙版。 要预测单个图像并保存，请执行以下操作： python predict.py -i image.jpg -o output.jpg 要预测多幅图像并显示它们而不保存它们，请执行以下操作： python predict.py -i image1.jpg image2.jpg --viz -
Python-Pytorch实现用于图像语义分割UNet
08-11
Pytorch实现用于图像语义分割：U-Net，具有密集的CRF后处理
PyTorch构建U-Net网络（含维度变化）
爱猫的小学森
12-16 1247
UNet是深度学习领域中用于图像分割任务的代表性模型，最初由Ronneberger等人于2015年提出。其设计初衷是应对生物医学图像分割问题，但由于其卓越的上下文信息整合和特征提取能力，已广泛应用于其他领域的分割任务。本文将从网络结构模型特点和应用场景三个方面对UNet进行详述。作为深度学习分割任务的经典模型，UNet不仅在生物医学图像分割中发挥了重要作用，还在其他需要精确像素级分割的任务中展现了强大的适应性与稳定性。通过高效的上下文信息捕获与特征整合能力，UNet已成为分割领域不可或缺的工具。
pytorch学习--UNet模型
qq_51363161的博客
07-13 5298
详细Unet网络结构可以查看Unet算法原理详解深度网络训练之中需要大量的有标样本，Unet作者提供了一种新的训练方法，可以更有效的运用相应的有标样本，使网络即使通过少量的训练图片也可以进行更精确的分割。这里只是记录一下近期在网站资源上学到的Unet模型项目的代码，代码中有较详细的解释（学习笔记）代码来源：GitHub - qiaofengsheng/pytorch-UNet: pytorch搭建自己的unet网络，训练自己的数据集。 B站视频地址全程带你手撸代码：https://www.bilibili.
深度学习之基于Pytorch框架的Unet分割模型搭建学习
保持分享欲
07-24 2160
自2015年诞生以来，U-Net便以其卓越的性能在生物医学图像分割领域崭露头角。作为FCN的一种变体，U-Net凭借其Encoder-Decoder的精巧结构，不仅在医学图像分析中大放异彩，更在卫星图像分割、工业瑕疵检测等多个领域展现出强大的应用能力。U-Net是一种常用于图像分割的卷积神经网络架构，其特点在于其U型结构，包括一个收缩路径（下采样/编码器）和一个扩展路径（上采样/解码器）。这种结构使得U-Net能够在捕获上下文信息的同时，也能精确地定位到目标边界。
【PyTorch 实战2：UNet 分割模型】10min揭秘 UNet 分割网络如何工作以及pytorch代码实现（详细代码实现）
xiaoh_7的博客
04-01 9471
U-Net，自2015年诞生以来，便以其卓越的性能在分割领域崭露头角。我们详细介绍了如何使用PyTorch实现并训练一个U-Net模型，以及如何在训练和推理阶段使用它。
bubbliiiiing frcnn
01-10
### Faster R-CNN目标检测算法概述 Faster R-CNN是一种两阶段的目标检测框架，其核心在于通过区域提议网络（Region Proposal Network, RPN）自动生成候选框，从而替代传统的Selective Search方法。RPN与Fast R-CNN共享全图卷积特征，使得整个模型可以端到端训练[^1]。 对于`bubbliiiiing`这一关键词，在IT领域特别是机器学习社区中通常指的是由该作者维护的一系列计算机视觉项目库。这些资源涵盖了多种经典神经网络架构的实现及其变体版本，其中包括但不限于YOLOv3、SSD以及本话题所涉及的Faster R-CNN等对象识别工具包。这类开源项目的贡献极大地促进了相关技术的发展和普及。 关于Bubbling FRCNN的具体实现： ```python import torch from torchvision import models # 加载预训练的Faster R-CNN模型 model = models.detection.fasterrcnn_resnet50_fpn(pretrained=True) # 设置为评估模式 model.eval() def detect_objects(image_tensor): """ 使用预训练好的Faster R-CNN模型进行物体检测 参数: image_tensor (Tensor): 输入图像张量 返回: dict: 包含预测边界框和其他信息的结果字典 """ with torch.no_grad(): prediction = model([image_tensor]) return prediction ``` 上述代码展示了如何利用PyTorch加载并运行一个预先训练过的Faster R-CNN模型来进行基本的对象检测任务。此过程包括定义函数`detect_objects()`用于接收输入图片数据，并返回经过推理后的输出结果。
评论 2
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

书文的学习记录本

你的鼓励将是我创作的最大动力

¥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