table-detect table detect(yolo) , table line(unet) （表格检测/表格单元格定位） links: models weights download and move to ./modes test table detect python table_detect.py test table ceil detect with unet python table_ceil.py train table line python train/train.py

数据中中包含了大量对图像分割没有意义的数据，因此这里对原始数据集进行有效数据的提取。并且将有效数据集再次进行训练集 + 测试集的划分 注：log 训练文件较大，为了方便上传，这里删去不重要的train结果

模型在FloodNet数据集上进行了训练，mIOU在0.83左右，可训练自己的数据集 建议在训练网络的时候将输入的训练集其切分为384x384的小图片后，再来进行训练 模型采用标准的UNet，可以采用如下方式训练你自己的模型 数据集地址可以在train.py中修改为你自己的文件夹 python train.py -- --epochs 20 --batch-size 16 --learning-rate 2e-4 --scale 1 --validation 0.1 --classes 10 --amp 其中--amp为半精度训练 --scale是训练的时候对图片进行缩放，已经裁剪为384x384后就不需要再裁剪了

unet demo，新手unet可参考，内有多不足请见谅

基于改进Unet 的丘陵地区耕地地块深度分割与提取.pdf

数据集切割为600x600大小，可自行调整参数进行训练

unet代码

当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。

带有pyqt5界面，模型，操作说明，有大量代码注释。图像分割。 该项目代码可供参考学习，里面有很多自定义修改的地方，界面挺好! 适合深度学习初学者、或者正在做毕设的学生和需要项目实战AI算法工程师，学习借鉴。

UNet 网络做图像分割DRIVE数据集