Semantische segmentatie uitvoeren

Goed gedaan met het ontwerpen van de U-Net! Je krijgt nu toegang tot een al voorgetraind model dat sterk lijkt op wat je zojuist hebt gebouwd. Dit model is getraind op een grote verzameling afbeeldingen en bevat een paar kleine toevoegingen aan de architectuur, zoals batchnorm-lagen.

Je kunt het model instantieren met UNet(), waarmee je de voorgetrainde gewichten krijgt. Jouw taak is om het te gebruiken om segmentatiemaskers te maken voor de volgende afbeelding van een auto.

car image

Image uit PIL is al voor je geïmporteerd.

Deze oefening maakt deel uit van de cursus

Deep Learning voor afbeeldingen met PyTorch

Cursus bekijken

Oefeninstructies

Instantieer UNet() in een variabele model.
Laad de afbeelding car.jpg in een variabele image.
Maak segmentatiemaskers door de afbeelding aan het model door te geven en squeeze(0) op de output toe te passen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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()

Code bewerken en uitvoeren