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 -
2022-08-29 21:24:17 21.76MB Python
1
UNet:使用PyTorch进行语义分割 在PyTorch中针对高清晰度图像针对Kaggle的自定义实施 。 该模型是从头开始训练的,具有5000张图像(无数据增强),并且在超过100k张测试图像上获得了0.988423(735中的511)的。 可以通过更多的培训,数据增强,微调,使用CRF后处理以及在蒙版边缘上施加更多权重来提高此分数。 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。 预测单个图像并保存: 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: python predict.py -i image1.jpg image2.jpg --viz --no-save >
2022-04-06 20:59:31 26KB pytorch unet kaggle
1
unet_semantic_segmentation 在InteractiveSegmentation数据集(PyTorch)上使用U-Net模型进行语义分割
1
人为分割PyTorch 在PyTorch中实现的人体分割,/代码和。 支持的网络 :骨干 (所有aphas和扩张), (所有num_layers) :骨干网 (num_layers = 18,34,50,101), :骨干网 (num_layers = 18) :主干网 (num_layers = 18、34、50、101) ICNet :主干网ResNetV1 (num_layers = 18、34、50、101) 要评估体系结构,内存,转发时间(以cpu或gpu表示),参数数量以及网络的FLOP数量,请使用以下命令: python measure_model.py 数据集 人像分割(人/背景) 自动人像分割以实现图像风格化:1800张图像 监督人:5711张图片 放 在此存储库中使用了Python3.6.x。 克隆存储库: git clone --re
2022-03-07 19:11:36 4.42MB deep-learning pytorch unet semantic-segmentation
1
UNet:使用PyTorch进行语义分割 在PyTorch中针对高清晰度图像针对Kaggle的自定义实施 。 该模型是从头开始训练的,具有5000张图像(无数据增强),并且在超过100k张测试图像上获得了0.988423(735中的511)的。 可以通过更多的培训,数据增强,微调,使用CRF后处理以及在蒙版边缘上施加更多权重来提高此分数。 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。 预测单个图像并保存: 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: python predict.py -i image1.jpg image2.jpg --viz --no-save >
1
pytorch-3dunet PyTorch实施3D U-Net及其变体: 基于3D U-Net的标准3D U-Net ÖzgünÇiçek等人。 基于残差3D U-Net。 该代码允许对U-Net进行以下方面的训练:语义分割(二进制和多类)和回归问题(例如降噪,学习解卷积)。 二维U网 也可以训练标准2D U-Net,有关示例配置,请参见 。 只需确保将单例z维保留在H5数据集中(即(1, Y, X)而不是(Y, X) ),因为数据加载/数据扩充始终需要3级张量。 先决条件 Linux NVIDIA GPU CUDA CuDNN 在Windows上运行 该软件包尚未在Windows上进行过测试,但是有报告称该软件包已在Windows上使用。 要记住的一件事:在使用CrossEntropyLoss进行训练时:配置文件中的标签类型应该从long更改为int64 ,否则会出现错误:
2021-11-16 15:48:36 30.49MB pytorch unet semantic-segmentation volumetric-data
1
U-Net-PyTorch实施 模型(一种流行的图像分割网络)的实现。 这是非常稳定和可配置的,我已经在多个数据集中使用了它,并将其作为几个项目的组成部分。 更新:还支持基于的3-D卷的分段 更新:所有批次归一化操作已被实例归一化所取代(以解决医学图像中的小批量),并且ReLU激活已被LeakyReLU取代,因为它在最近的工作中得到了更大的采用。 安装 您可以将此软件包安装在本地python环境中,并将其作为模块导入项目中。 将此存储库克隆到您选择的文件夹中。 cd git clone https://github.com/kilgore92/PyTorch-UNet.git 安装软件包依赖项,如下所示: cd /bin/pip install -r requirements.txt
2021-10-27 10:24:17 20KB pytorch medical-imaging image-segmentation u-net
1
UNet / FCN PyTorch 该存储库包含U-Net和FCN的简单PyTorch实现,这是Ronneberger等人提出的深度学习细分方法。 和龙等。 用于训练的合成图像/遮罩 首先克隆存储库并cd到项目目录。 import matplotlib . pyplot as plt import numpy as np import helper import simulation # Generate some random images input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 ) for x in [ input_images , target_masks ]: print ( x . shape ) print ( x . m
1
UNet3plus_pth UNet3 + / UNet ++ / UNet,用于Pytorth的深度自动人像抠像中 依存关系 Python 3.6 PyTorch> = 1.1.0 火炬视觉> = 0.3.0 未来0.18.2 matplotlib 3.1.3 的numpy 1.16.0 枕头6.2.0 protobuf 3.11.3 张量板1.14.0 tqdm == 4.42.1 数据 该模型从零开始使用18000张图像进行了训练(数据通过2000images进行了扩充)。训练数据集来自“ 。 您可以在百度云中下载 。 密码:ndg8仅用于学术交流,如果有报价,请告知原始作者! 我们通过旋转和缩放来增加图像的数量。 使用四个旋转角{-45°,−22°,22°,45°}和四个刻度{0.6、0.8、1.2、1.5}。 我们还应用了四个不同的Gamma变换来增加颜色变
2021-07-27 20:28:54 3.58MB pytorch unet portrait-matting unet-plusplus
1
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.
2021-05-28 11:40:37 47.26MB pytorch unet
1