U-Net图像语义分割原理-51CTO学堂

{{ interaction.likeNum == 0 ? (pageType === 'video' ? '抢首赞' : '点赞') : formatNumber(interaction.likeNum) }} {{ interaction.collectionNum == 0 ? '收藏' : formatNumber(interaction.collectionNum) }} {{ interaction.discussNum == 0 ? (pageType === 'video' ? '抢沙发' : '讨论') : formatNumber(interaction.discussNum) }}

提问 {{ interaction.noteNum > 0 ? interaction.noteNum + '篇笔记' : '记笔记' }} 离线观看

下载学堂APP

缓存视频离线看

报告问题离线观看

下载学堂APP

缓存视频离线看

课程介绍

讨论{{interaction.discussNum ? '(' + interaction.discussNum + ')' : ''}}

适合人群

希望掌握TensorFlow2版本的UNet图像语义分割实战技术的同学们

你将会学到

使用UNet图像语义分割技术来训练自己的数据集

课程简介

注意：本课程已从Keras更新至TensorFlow2

UNet是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。

本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用UNet训练自己的数据集，从而能开展自己的图像分割应用。

本课程有三个项目实践：

(1) Kaggle盐体识别比赛：利用UNet进行Kaggle盐体识别

(2) Pothole语义分割：对汽车行驶场景中的路坑进行标注和语义分割

(3) Kaggle细胞核分割比赛：利用UNet进行Kaggle细胞核分割

本课程使用TensorFlow2版本的UNet，在Ubuntu系统上用Jupyter Notebook做项目演示。包括：数据集标注、数据集格式转换和Mask图像生成、编写UNet程序文件、训练自己的数据集、测试训练出的网络模型、性能评估。项目代码也可在Windows上运行，课程提供Windows环境搭建方法。

本课程提供项目的数据集和Python程序代码。

相关课程：UNet（PyTorch）图像语义分割实战：训练自己的数据集

https://edu.51cto.com/course/29533.html