Samar-blog

导航

2025年12月3日 #

P2.标注自己的语义分割数据集

摘要: 2.1使用终端安装 Labelme 1.使用Anaconda终端安装labelme 安装 Anaconda和在Anaconda中安装好Python 后,可以使用 Python 包管理器安装 Labelme pip3 打开终端并运行以下命令: pip3 install --upgrade labelm 阅读全文

posted @ 2025-12-03 15:42 风居住的街道DYL 阅读(92) 评论(0) 推荐(0)

P1.语义分割与MMSegmentation

摘要: 1.语义分割全流程 跑通语义分割开发全流程:标注、训练、评估、预测、部署 2.数据、模型与部署 数据:首先使用label me标注软件标注出这个数据集 模型:然后使用OpenMMLab开源语义分割算法库MMSegmentation,训练出深度学习算法模型,训练出模型后,就可以对新的图像和视频作推理预 阅读全文

posted @ 2025-12-03 15:30 风居住的街道DYL 阅读(49) 评论(0) 推荐(0)

2025年11月27日 #

P32_【完结】看看开源项目

摘要: 例如搜索pytorch,打开CycleGAN and pix2pix in PyTorch 1.一定要首先阅读README 2.训练模型的指令: python train.py --dataroot ./datasets/maps --name maps_cyclegan --model cycle 阅读全文

posted @ 2025-11-27 21:47 风居住的街道DYL 阅读(7) 评论(0) 推荐(0)

P31_完整的模型验证套路

摘要: 完整的模型验证(测试,demo)套路——利用已经训练好的模型,然后给它提供输入 1.png和jpg格式的图片通道数 (1)png格式的图片是4通道(RGB三通道+透明度通道),jpg格式的图片是3通道(RGB),可以用PIL.Image.convert('RGB')来转换(不同截图软件保留的通道数也 阅读全文

posted @ 2025-11-27 21:05 风居住的街道DYL 阅读(6) 评论(0) 推荐(0)

2025年11月26日 #

P30_利用GUP训练(二)

摘要: 1.代码实战: (1)调用.to()方法即可。 .to(device) device = torch.device("cpu") torch.device("cuda") 点击查看代码 #12.定义训练的设备 # device = torch.device("cpu") device = torch 阅读全文

posted @ 2025-11-26 20:06 风居住的街道DYL 阅读(4) 评论(0) 推荐(0)

P29_利用GUP训练(一)

摘要: 1.方法1:调用.cuda()方法 (1)找到网络模型、数据(输入、标注)和损失函数,然后调用其.cuda()方法: ①网络模型如dyl模型:dyl.cuda(),②数据(输入、标注)即:imgs = imgs.cuda(),targets = targets.cuda(),③损失函数即loss_f 阅读全文

posted @ 2025-11-26 17:52 风居住的街道DYL 阅读(13) 评论(0) 推荐(0)

2025年11月24日 #

P28_完整的模型训练套路(三)

摘要: 本节进行训练细节总结 打开官网:torch.nn.Module,可以查看train mode 和eval mode .train()和.eval()只对特定层如Dropout和BatchNorm层起作用,但是最好还是加上; 即在训练开始前加上.train(),在测试开始前加上.eval(): 点击查 阅读全文

posted @ 2025-11-24 22:27 风居住的街道DYL 阅读(8) 评论(0) 推荐(0)

P27_完整的模型训练套路(二)

摘要: 如何辨别模型在训练过程中有没有训练好以及有没有达到我需要训练的需求? 不需要对模型进行调优了,直接利用现有的模型来进行一个测试: 9.测试步骤开始: 用with torch.no_grad():环境取消梯度 点击查看代码 #9.测试步骤开始: total_test_loss = 0 with tor 阅读全文

posted @ 2025-11-24 22:26 风居住的街道DYL 阅读(6) 评论(0) 推荐(0)

P26_完整的模型训练套路(一)

摘要: 1.准备数据集 训练数据集和测试数据集 点击查看代码 #1.准备数据集 #1.1训练数据集 from torch import nn from torch.utils.data import DataLoader train_data = torchvision.datasets.CIFAR10(" 阅读全文

posted @ 2025-11-24 20:15 风居住的街道DYL 阅读(7) 评论(0) 推荐(0)

P25_网络模型的保存与读取

摘要: 25.1网络模型的保存 (1)保存方式1:模型结构+模型参数 点击查看代码 import torch import torchvision vgg16 = torchvision.models.vgg16(pretrained=False) #保存方式1,模型结构+模型参数 torch.save(v 阅读全文

posted @ 2025-11-24 19:57 风居住的街道DYL 阅读(6) 评论(0) 推荐(0)