UNet 模型
快速复现教程
01 模型详情
模型简介:
这篇论文《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》是2018年6月的文章,DLMIA2018会议。文章对Unet改进的点主要是skip connection。UNET利用卷积网络的典型利用是在分类任务,输出任务的单个类标签。然而,在许多视觉任务,尤其是生物医学图像处理,目标输出应该包括定位等,每个像素都应该有类标签。另外,大量的训练图片往往超过生物医学图像的任务要求。所以,Ciresan等训练了一个神经网络,用滑动窗口来预测每个像素的类标签,提供像素的周围区域(patch)作为输入。首先,这个网络可以定位。其次它输入的是patches,这样训练数据就比图片数据多很多。 它有效卷积增加了模型设计的难度和普适性;目前很多算法直接采用了same卷积,这样也可以免去Feature Map合并之前的裁边操作.
关键词:卷积网络
应用场景:文本分类、文本分类
结构:
论文地址:
https://arxiv.org/pdf/1807.10165.pdf
模型来源:
https://github.com/qubvel/segmentation_models.pytorch
02 平台环境准备
1. 打开极链AI云平台
2. 点击模型
3. 选择模型
在模型列表中选择 UNet 模型
4. 创建实例
显卡以RTX 2080 Ti为例,选择模型对应镜像
点击下一步,即可创建实例
5. 连接实例
创建完成后,点击jupyterlab连接
03 模型使用
1.前期准备
进入jupyterlab
打开 root/segmentation_models.pytorch 文件夹
2.模型训练
打开该文件夹下的 ” binary_segmentation.ipynb/car_segmentation.ipynb” 文件
更多内容请左右滑动
直接通过enter+shift快捷键运行即可
以上就是 UNet 复现的全部流程,该模型在极链AI云官网已上架,同时极链AI云还拥有其他热门模型,例如YOLO系列等,简单步骤即可实现复现。
Original: https://blog.csdn.net/m0_60673947/article/details/124458285
Author: 极链AI云
Title: 【模型复现】卷积网络目标检测模型——UNet 快速复现
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/533256/
转载文章受原作者版权保护。转载请注明原作者出处!