Eseguire la segmentazione semantica

Ottimo lavoro nel progettare la U-Net! Hai a disposizione un modello già pre-addestrato molto simile a quello che hai appena costruito. Questo modello è stato addestrato su un ampio insieme di immagini e include alcune piccole aggiunte all'architettura, come i livelli di batch norm.

Puoi istanziare il modello con UNet(), che fornirà i pesi pre-addestrati. Il tuo compito è usarlo per produrre maschere di segmentazione per la seguente immagine di un'auto.

car image

Image da PIL è già stato importato per te.

Questo esercizio fa parte del corso

Deep Learning per Immagini con PyTorch

Visualizza il corso

Istruzioni dell'esercizio

Istanzia UNet() in una variabile chiamata model.
Carica l'immagine car.jpg in una variabile chiamata image.
Produci le maschere di segmentazione passando l'immagine al modello e applicando squeeze(0) all'output.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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()

Modifica ed esegui il codice