Exécuter une segmentation sémantique

Bravo pour la conception du U-Net ! Un modèle déjà préentraîné, très similaire à celui que vous venez de bâtir, est à votre disposition. Ce modèle a été entraîné sur un grand ensemble d'images et intègre quelques ajouts à l'architecture, comme des couches de normalisation par lot (batch norm).

Vous pouvez instancier le modèle avec UNet(), ce qui lui fournira les poids préentraînés. Votre tâche consiste à l'utiliser pour produire des masques de segmentation pour l'image suivante d'une voiture.

car image

Image de PIL a déjà été importé pour vous.

Cette activité fait partie du cours

Deep Learning pour les images avec PyTorch

Voir le cours

Instructions de l’exercice

Instanciez UNet() dans une variable appelée model.
Chargez l'image car.jpg dans une variable appelée image.
Produisez des masques de segmentation en passant l'image au modèle, puis appliquez squeeze(0) à la sortie.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()

Modifier et exécuter le code