Unet网络结构比较简单,适用与一些数据量比较少的任务,如医学图像、工业残次品检测等。具体的Unet介绍以及应用实例可参考我的一篇博客:地物分类:基于Unet的建筑物轮廓识别。
│--GenerateDataset.py 划分训练集,测试集,验证集的脚本
│--inference.py 推理脚本
│--miou.py
│--processImage.py 处理图像脚本
│--README.md
│--requirements.txt
│--train.py 训练
│--unet_config.cfg 配置文件
├─logs 训练日志
│ └─train
├─model 保存的模型
├─nets 网络
│ │ unet.py 基础网络结构
│ │ unet_inference.py 推理的网络
│ │ unet_training.py 训练的网络
│ └─ vgg16.py backbone
├─result
│ your result
└─utils
└─metrics.py 评价指标
如何根据自己的任务制作训练数据,请查看我的博客:图像分割数据集制作 ,对应代码可查看:mantic-Segmentation-Datasets
通过pip install -r requiremetstxt
安装好相关的依赖以及修改好配置文件后,执行下面命令进行训练:
python train.py
当然也可以在命令行使用参数形式运行,本人比较习惯在windows环境下进行调试测试通过后再搬到服务器上进行训练。
python inference.py