Executando segmentação semântica

Boa ideia criar a U-Net! Você vai encontrar um modelo já pré-treinado bem parecido com o que acabou de criar. Esse modelo foi treinado com um monte de imagens e tem algumas coisinhas a mais na arquitetura, tipo as camadas de normalização de lote.

Você pode instanciar o modelo como um UNet(), que vai dar ao modelo os pesos pré-treinados. A sua tarefa é usar isso pra criar máscaras de segmentação pra imagem de um carro que tá aqui embaixo.

imagem do carro

Image de PIL já foi importado pra você.

Este exercício faz parte do curso

Aprendizado profundo para imagens com PyTorch

Ver curso

Instruções do exercício

Instancie UNet() em uma variável chamada model.
Carregue a imagem em car.jpg para uma variável chamada image.
Crie máscaras de segmentação passando a imagem pro modelo e usando o comando “ squeeze(0) ”.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()

Editar e executar o código