小广告尺寸,sem 优化价格,那方面 搜索网站,做网站需要什么配置服务器吗文章目录 一、图像分割标注1.1 Labelme标注1.2 SAM辅助1.3 json格式 二、数据解析2.1 Dataset2.2 train.py2.2.1 取参2.2.2 分割和数据集的读取 三、Unet网络搭建3.1 Unet3.2 Network 四、损失函数和指标4.1 DICE系数4.2 损失函数4.3 半精度训练 五、SAM六、作业 语义分割是图片… 文章目录 一、图像分割标注1.1 Labelme标注1.2 SAM辅助1.3 json格式 二、数据解析2.1 Dataset2.2 train.py2.2.1 取参2.2.2 分割和数据集的读取 三、Unet网络搭建3.1 Unet3.2 Network 四、损失函数和指标4.1 DICE系数4.2 损失函数4.3 半精度训练 五、SAM六、作业 语义分割是图片下进行分割出所检测的目标而实例分割就是更进一步对分割出来的图像进行分组。 数据集https://www.kaggle.com/competitions/carvana-image-masking-challenge/ 是在kaggle上的数据集 一、图像分割标注
1.1 Labelme标注
与上一次一样 但是由于有些更精细的目标需要更精确的边界所以需要SAM进行辅助。
1.2 SAM辅助
edit-创建AI多边形等待SAM模型下载完成点击鼠标添加query点保存
1.3 json格式
可以通过json里面的点输出成mask。 就是像这样
二、数据解析
2.1 Dataset
读取image-mask对。总体就是对于mask和image进行配对并且对于image进项下采样因为实际上我们用不到这么高清晰度的情况所以设置成scale 下面这就是图像预处理 2.2 train.py 训练脚本 amp就是为了优化显存和速度
2.2.1 取参 2.2.2 分割和数据集的读取 三、Unet网络搭建
3.1 Unet Unet是比较早做语义分割的 U-Net: Convolutional Networks for Biomedical Image Segmentation https://arxiv.org/abs/1505.04597 下面就是根据图复现Unet tqdm就是进度条 3.2 Network
组件 模型
四、损失函数和指标
4.1 DICE系数
跟IOU很像
Dice 系数是一种衡量两个集合相似度的指标在图像分割任务中用于评估分割结果与真实标签的相似程度 缺点对边界噪声较敏感边界不精确可能显著降低 Dice 系数
4.2 损失函数
交叉熵损失DICE损失
4.3 半精度训练 五、SAM
https://github.com/facebookresearch/segment-anything
六、作业
一、基于本课内容搭建unet网络训练以下数据。 https://www.kaggle.com/competitions/carvana-image-masking-challenge/ 二、尝试使用 SAM推理当前数据集。
