资源压缩后的文件目录： test test_labels train train_labels val val_labels class_dict.csv functional.py

CamVid(The Cambridge-driving Labeled Video Database)数据集，解压密码：camvid

camvid数据集，只包含11 classes: sky, building,column pole, road, sidewalk, tree, sign symbol, fence, car,pedestrian, and bicyclist. 天空、建筑物、柱子、道路、人行道、树、标志符号、栅栏、汽车、行人和自行车，转自：https://aistudio.baidu.com/aistudio/datasetdetail/65991/0

适合计算机视觉-语义分割学习的人

CamVid is provided by The University of Cambridge.本数据集由剑桥大学提供。 camvid_class_dict.csv camvid_test_labels.zip camvid_train_labels.zip camvid_val.zip camvid_test.zip camvid_val_labels.zip camvid_train.zip

PyTorch-ENet ENet的PyTorch（v1.1.0）实现，从作者创建的lua-torch实现移植而来。 此实现已在CamVid和Cityscapes数据集上进行了测试。 当前，可获得在CamVid和Cityscapes中训练的模型的预训练版本。 数据集 1班 输入分辨率 批量大小 时代 平均IoU（％） GPU内存（GiB） 训练时间（小时） 2 11 480x360 10 300 51.08 3 4.2 1个 19 1024x512 4 300 59.03 4 5.4 20 1当涉及到类数时，总是将无效/未标记的类排除在外。 2这些仅供参考。 实施，数据集和硬件更改可能导致截然不同的结果。 参考硬件：Nvidia GTX 1070和AMD Ryzen 5 3600 3.6GHz。 您还可以训练约100个纪元，并获得相似的平均IoU（±2

背景 语义分割是深度学习中的一个非常重要的研究方向，并且UNet是语义分割中一个非常经典的模型。在本次博客中，我尝试用UNet对camvid dataset数据集进行道路分割，大致期望的效果如下： 原图 道路分割效果 本博客的代码参考了以下链接： https://github.com/milesial/Pytorch-UNet https://github.com/qubvel/segmentation_models.pytorch 数据集介绍及处理 之前的博客里，我几乎不怎么介绍数据集，因为用到的数据集比较简单；但是在使用camvid dataset的时候，我脑袋都大了，用了两三个小

http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/ CamVid.zip

深度双分辨率网络，可实时，准确地对道路场景进行语义分割 介绍 这是的非官方代码。 在单个2080Ti GPU上，DDRNet-23-slim在109 FPS的Cityscapes测试装置上可产生77.4％的mIoU，从而在城市景观和camvid的精度和速度之间实现了最先进的权衡，而无需使用推理加速和额外的数据！在CamVid测试装置上以230 FPS时有74.4％的mIoU。 该代码主要来自和，感谢他们的工作。 要求 在这里列出了实验中使用的软件和硬件 pytorch == 1.7.0 3080 * 2 cuda == 11.1 快速开始 0.数据准备 您需要下载数据集。 并重命名cityscapes文件夹，然后将数据放在data文件夹下。 └── data ├── cityscapes └── list 1.预训练模型 从imagenet上下载预训练模型或从那里下载分割模

CamVid数据集是较为经典的语义分割数据集，本数据集已经分割成为训练集，测试集和验证集，方便读者复现。