标签：分割 总述 20 23 30 ReLU 512 256 Conv2d
【1】模型介绍
搭建了一个分割网络，以此网络为基础完成图像的分割并计算最终的分割精度。
----------------------------------------------------------------
Layer (type) Output Shape Param #
================================================================
Conv2d-1 [-1, 64, 320, 480] 1,792
ReLU-2 [-1, 64, 320, 480] 0
Conv2d-3 [-1, 64, 320, 480] 36,928
ReLU-4 [-1, 64, 320, 480] 0
MaxPool2d-5 [-1, 64, 160, 240] 0
Conv2d-6 [-1, 128, 160, 240] 73,856
ReLU-7 [-1, 128, 160, 240] 0
Conv2d-8 [-1, 128, 160, 240] 147,584
ReLU-9 [-1, 128, 160, 240] 0
MaxPool2d-10 [-1, 128, 80, 120] 0
Conv2d-11 [-1, 256, 80, 120] 295,168
ReLU-12 [-1, 256, 80, 120] 0
Conv2d-13 [-1, 256, 80, 120] 590,080
ReLU-14 [-1, 256, 80, 120] 0
Conv2d-15 [-1, 256, 80, 120] 590,080
ReLU-16 [-1, 256, 80, 120] 0
Conv2d-17 [-1, 256, 80, 120] 590,080
ReLU-18 [-1, 256, 80, 120] 0
MaxPool2d-19 [-1, 256, 40, 60] 0
Conv2d-20 [-1, 512, 40, 60] 1,180,160
ReLU-21 [-1, 512, 40, 60] 0
Conv2d-22 [-1, 512, 40, 60] 2,359,808
ReLU-23 [-1, 512, 40, 60] 0
Conv2d-24 [-1, 512, 40, 60] 2,359,808
ReLU-25 [-1, 512, 40, 60] 0
Conv2d-26 [-1, 512, 40, 60] 2,359,808
ReLU-27 [-1, 512, 40, 60] 0
MaxPool2d-28 [-1, 512, 20, 30] 0
Conv2d-29 [-1, 512, 20, 30] 2,359,808
ReLU-30 [-1, 512, 20, 30] 0
Conv2d-31 [-1, 512, 20, 30] 2,359,808
ReLU-32 [-1, 512, 20, 30] 0
Conv2d-33 [-1, 512, 20, 30] 2,359,808
ReLU-34 [-1, 512, 20, 30] 0
Conv2d-35 [-1, 512, 20, 30] 2,359,808
ReLU-36 [-1, 512, 20, 30] 0
MaxPool2d-37 [-1, 512, 10, 15] 0
ConvTranspose2d-38 [-1, 512, 20, 30] 2,359,808
ReLU-39 [-1, 512, 20, 30] 0
BatchNorm2d-40 [-1, 512, 20, 30] 1,024
ConvTranspose2d-41 [-1, 256, 40, 60] 1,179,904
ReLU-42 [-1, 256, 40, 60] 0
BatchNorm2d-43 [-1, 256, 40, 60] 512
ConvTranspose2d-44 [-1, 128, 80, 120] 295,040
ReLU-45 [-1, 128, 80, 120] 0
BatchNorm2d-46 [-1, 128, 80, 120] 256
ConvTranspose2d-47 [-1, 64, 160, 240] 73,792
ReLU-48 [-1, 64, 160, 240] 0
BatchNorm2d-49 [-1, 64, 160, 240] 128
ConvTranspose2d-50 [-1, 32, 320, 480] 18,464
ReLU-51 [-1, 32, 320, 480] 0
BatchNorm2d-52 [-1, 32, 320, 480] 64
Conv2d-53 [-1, 21, 320, 480] 693
================================================================
Total params: 23,954,069
Trainable params: 23,954,069
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 1.76
Forward/backward pass size (MB): 972.07
Params size (MB): 91.38
Estimated Total Size (MB): 1065.21
----------------------------------------------------------------
【2】文件介绍
程序文件夹介绍
│ batchimageprocess.py #批量图片处理、改名字、改类型
│ dataimagetest.py #多种图片测试（此处是8张图片）
│ dateset.py #图像预处理和加载
│ Digraph.gv #Digraph生成的文件
│ knowdege.md #相关知识的补充
│ oneimagetest.py #单张图片测试
│ segmentmodel.py #分割模型搭建
│ segmentmodelaccuracy.py #分割精度测试
│ structure.txt #文件树
│ trainmodel.py #训练模型
│ visualize.py #模型pdf转换的文件
│
├─.vscode #默认文件
│ settings.json
│
├─accuracylable #分割精度测试图片
│ 2007_000033.jpg
│ 2007_000033.png
│
├─chenxutest #常规函数测试程序
│ mytest.py
│ ownsegnet.py
│
├─data #常规函数测试程序所需的数据库
│ 01.jpg
│ 02.jpg
│
├─modelimage #模型结构文件
│ Digraph.gv.pdf
│ fcn8s.png
│
├─savemodel #保存.pth模型
│ fcn8s.pth
│
├─savemodelpkl #保存.pkl模型
│ fcn8s.pkl
│
├─segmentresult #分割结果
│ 0.png
│ 1.png
│ 2.png
│ 3.png
│
└─__pycache__ #默认文件
dateset.cpython-36.pyc
segmentmodel.cpython-36.pyc
segmentmodelaccuracy.cpython-36.pyc
visualize.cpython-36.pyc
【3】主要工作
（1）搭建分割网络模型、测试和训练程序。
（2）使用visdom训练过程可视化。
（3）使用labelme完成图像分割标签的制造。
（4）计算分割的效果和精度。
（5）对多张图像分割效果进行评估和展示。
标签：分割,总述,20,23,30,ReLU,512,256,Conv2d 来源： https://blog.csdn.net/qq_33612665/article/details/117572408
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。