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。
