Exécuter une segmentation sémantique

Beau travail pour la conception du U-Net ! Un modèle déjà pré-entraîné, très similaire à celui que vous venez de construire, est mis à votre disposition. Ce modèle a été entraîné sur un vaste ensemble d’images et comporte quelques petites améliorations architecturales, comme des couches de batch norm.

Vous pouvez instancier le modèle avec UNet(), ce qui chargera les poids pré-entraînés. Votre tâche est de l’utiliser pour produire des masques de segmentation pour l’image de voiture suivante.

car image

Image de PIL a déjà été importé pour vous.

Cet exercice fait partie du cours

Deep Learning pour l’image avec PyTorch

Afficher le cours

Instructions

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 et en appliquant squeeze(0) à la sortie.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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