Unet语义分割训练和TensorRT部署

1、 训练数据准备 所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照: Sample\Build\train\ IMG_T1 -----------------------\ IMG_LABEL -----------------\val\ IMG_T1 -----------------------\IMG_LABEL 2、 训练参数设置 参数和运行皆在dp0_train.py中，主要参数包括： （1） num_epochs，训练批次 （2） learning_rate，学习率 （3） dataset，步骤一自己构建的数据集名称 （4） band，输入数据通道数（波段数） （5） n_class, 模型输出通道数（类别） 设置好后点击run即可 3、 训练模型位置 模型结构放与net文件中，生成模型文件pt位于Checkpointspath\ 4、 预测使用 填写参数 Checkpointspath，模型位置名称 Dataset，待预测数据文件夹 Outputpath，输出数据文件夹

基于PPLiteSeg的车道线语义分割算法，自制成可实时调用的API，设置逻辑使其能实时输出相应的转向角度，帮助无人车在沿车道行驶的路况下实现无人驾驶。 博客地址：https://blog.csdn.net/weixin_51331359/article/details/126223158?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126223158%22%2C%22source%22%3A%22weixin_51331359%22%7D&ctrtid=KeE3k

基于PP-LiteSeg的框架下训练的仿真环境下的语义分割模型，本人对predict函数进行了爆改，来实现了低延时的实时语义分割。 博客地址：https://blog.csdn.net/weixin_51331359/article/details/126137279?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126137279%22%2C%22source%22%3A%22weixin_51331359%22%7D&ctrtid=I6dOl

mask_rcnn的最新版本模型

nuclick组织病理数据集，用于病理分析，深度学习。三种不同类型的细胞定位，语义分割。 包含原图，标签图（rgb标签）

语义分割json数据转图片png数据训练

本资源是语义分割模型 DeeplabV3plus 的 pytorch 复现，其 backbone 包括 Xception、Resnet101 和 MobilenetV2。 项目仅提供代码，没有给出训练后的模型！

BSDS 500 是用于轮廓检测和语义分割研究的数据集，包含从 30 个人类受试者中收集的 12000 个由手工标记的 1000 个 Corel 数据集图像。 其中一半的分割是通过向主体呈现彩色图像而获得的; 另一半来自呈现灰度图像，基于该数据的公共基准包括 300 个图像的所有灰度和颜色分割，其中分为 200 个训练图像和 100 个测试图像。 该数据集于 2001 年由加州大学伯克利分校发布。 相关论文：《A Database of Human Segmented Natural Images and its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics》

|___01 调试.py |___02 调试.py |___dada_csv.py |___data | |___test.csv | |___train.csv | |___val.csv |___markdown_note | |___数据切割.md | |___灰度label可视化.md |___model | |___UNet.py |___pre.py |___train.py |___utils | |___DataLoade.py | |___data_txt.py | |___eval_tool.py | |___json_to_dataset.py | |___loss.py | |___pre_utils.py | |___SegmentationMetric.py | |___utils.py | |___单通道标签转彩色标签.py | |___数据增强.py |___video.py