Samar-blog

摘要： 6.1【G】训练语义分割模型 1.跑通代码 python tools/train.py Zihao-Configs/ZihaoDataset_FastSCNN_20230818.py 由于jupyter演示的代码模型太大，换了轻量级的FastSCNN_20230818.py且改小了各种参数才跑通 2 阅读全文

摘要： 5.1【E】准备config配置文件-数据集和pipeline 1.数据集配置文件 点击查看代码 import os import requests # 定义文件路径 file_path = os.path.join("mmseg", "datasets", "ZihaoDataset.py") # 阅读全文

摘要： 4.1【C】下载西瓜语义分割数据集 【B站对话】 --语义分割：将图片中的每个像素分类到对应的类别 --大佬你好，遥感图像语义分割方向好做吗？有没有入门的学习路线。 --不建议做语义分割，建议做像素级分类和像素块分类。看看刘二大人和小土堆的课入门 --你好，请问这个像素级分类，像素块分类和语义分割有 阅读全文

摘要： 3.1使用终端安装 MMSegmentation 按照顺序逐行运行本代码，即可安装配置 MMCV、MMSegmentation环境 【推荐代码运行云GPU环境：GPU RTX 3060、CUDA v11.3】 1.创建 Python 3.9 的虚拟环境 点击查看代码 #此处MMSeg为我的虚拟环境名 阅读全文

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

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

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

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

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

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