Kör semantisk segmentering

Bra jobbat med U-Net-designen! Du har nu tillgång till en förtränad modell som liknar den du just byggde. Den har tränats på ett stort antal bilder och innehåller några mindre tillägg i arkitekturen, till exempel batchnormaliseringslager.

Du kan instansiera modellen med UNet(), vilket läser in de förtränade vikterna. Din uppgift är att använda den för att skapa segmenteringsmasker för följande bild av en bil.

car image

Image från PIL har redan importerats åt dig.

Den här övningen är en del av kursen

Djupinlärning för bilder med PyTorch

Visa kurs

Övningsinstruktioner

Instansiera UNet() i en variabel som heter model.
Läs in bilden från car.jpg till en variabel som heter image.
Skapa segmenteringsmasker genom att skicka bilden till modellen och applicera squeeze(0) på utdata.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()

Redigera och kör kod