Exécution de la segmentation sémantique

Félicitations pour la conception du réseau U-Net. Vous trouverez à votre disposition un modèle pré-entraîné très similaire à celui que vous venez de construire. Ce modèle a été entraîné sur un vaste ensemble d'images et comporte quelques ajouts mineurs à l'architecture, tels que les couches de normalisation par lots.

Vous pouvez instancier le modèle sous le nom d'UNet(), qui fournira au modèle les poids pré-entraînés. Votre tâche consiste à l'utiliser pour produire des masques de segmentation pour l'image suivante d'une voiture.

image de voiture

Image Depuis PIL a déjà été importé pour vous.

Cet exercice fait partie du cours

Deep learning pour les images avec PyTorch

Afficher le cours

Instructions

Instanciez UNet() dans une variable nommée model.
Veuillez charger l'image à l'adresse car.jpg dans une variable nommée image.
Créez des masques de segmentation en transmettant l'image au modèle et en utilisant la fonction « squeeze(0) ».

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