Ejecución de la segmentación semántica

¡Buen trabajo diseñando la U-Net! Encontrarás un modelo ya preentrenado muy similar al que acabas de crear. Este modelo se ha entrenado con un amplio conjunto de imágenes y contiene algunas pequeñas adiciones a la arquitectura, como las capas de normalización por lotes.

Puedes instanciar el modelo como un UNet(), que proporcionará al modelo los pesos preentrenados. Tu tarea consiste en utilizarlo para crear máscaras de segmentación para la siguiente imagen de un coche.

imagen del coche

Image de PIL ya se ha importado por ti.

Este ejercicio forma parte del curso

Aprendizaje profundo para imágenes con PyTorch

Ver curso

Instrucciones del ejercicio

Instancia UNet() en una variable llamada model.
Carga la imagen en car.jpg en una variable llamada image.
Genera máscaras de segmentación pasando la imagen al modelo y aplicando la función « squeeze(0) ».

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# Load model
model = ____
model.eval()

# Load and transform image
image = ____
transform = transforms.Compose([transforms.ToTensor()])
image_tensor = transform(image).unsqueeze(0)

# Predict segmentation mask
with torch.no_grad():
    prediction = ____

# Display mask
plt.imshow(prediction[1, :, :])
plt.show()

Editar y ejecutar código