克bug体质2022-02-14老师你好，Loss也要放到放到gpu后也会报和之前一样的错误：【 Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cpu! (when checking argument for argument weight in method wrapper__cudnn_batch_norm) File "D:\U-Net\unet.py", line 25, in forward x = nn.BatchNorm2d(num_features=self.features)(x) File "D:\U-Net\unet.py", line 67, in forward conv_encoder_1_1 = self.conv_encoder_1(x) File "D:\U-Net\train.py", line 50, in main y_pred = unet(x) File "D:\U-Net\train.py", line 136, in <module> main(args) 】 我尝试在unet.py文件中的创建class UNet中self.conv_encoder_1 = Block(in_channels, features)改为：self.conv_encoder_1 = Block(in_channels, features).to(device)后也没解决这个问题，会报一样的错。展开作者回复: hi，原因是如果在forward中使用了nn调用网络中的层的话，它默认会放在cpu上计算。 解决的办法就是把bn和relu放到__init__中，如下代码所示。 class Block(nn.Module): def __init__(self, in_channels, features): super().__init__() self.features = features self.conv1 = nn.Conv2d( in_channels=in_channels, out_channels=features, kernel_size=3, padding='same', ) self.bn1 = nn.BatchNorm2d(num_features=self.features) self.relu1 = nn.ReLU() self.conv2 = nn.Conv2d( in_channels=features, out_channels=features, kernel_size=3, padding='same', ) self.bn2 = nn.BatchNorm2d(num_features=self.features) self.relu2 = nn.ReLU() def forward(self, input): x = self.conv1(input) x = self.bn1(x) x = self.relu1(x) x = self.conv2(x) x = self.bn2(x) x = self.relu2(x) return x 同理U-Net中的pooling也要放到__init__()中。
共 3 条评论5
.............2022-05-06真的很棒，我要亲手操作一遍作者回复: ^^ 感谢支持，加油
1
蓝色天空 好萌啊2022-01-21老师你好，请问有这节课的完整代码地址吗？作者回复: hello，你好，我传到这里了。 https://github.com/syuu1987/geekTime-semantic-segmentation/tree/main
1
Geek_a95f0e2021-12-13方老师，可不可以解释一下自定义类中 super().__init__() 和super(class_name,self).__init__() 有什么区别？作者回复: hi 你好。感谢你的留言。 这块可能我误导你了，都是一样的。 Python3中super().__init__()代替了Python2中的super(class_name,self).__init__()
共 2 条评论1- vcjmhg2021-11-27老师您好，我自己有尝试复现deeplab v3+这个比较主流的语义分割网络，然后发现针对一些尺寸较大的目标其分割效果还是比较不错的，但是对小的目标分割效果很差，甚至好多时候都分割不到，请问针对这种小目标，除了在数据集上做处理外，还有哪些好的处理或者优化方法呢？
作者回复: hello，小物体分割不好的一个原因是在backbone的特征提取过程中，小物体的信息已经被忽略了。 举个例子，假设输入是256x256的数据，经过多层的特征提取后特征图依次为128x128，64x64，32x32，16x16。有可能小物体的信息在32x32那里就消失了。 从这个角度出发，可以看看能不能调整网络最小的特征图的大小，来解决小物体分割不好的问题（比如Unet中，删除最后一次下采样）。另外，你也要看看小物体是不是resize到训练数据尺寸的时候已经没有了。
共 2 条评论1 
汪zZ2022-11-29 来自辽宁老师你好，非常感谢老师的耐心，我成功的跑通了自己的一个实例。但目前遇到如下问题，麻烦老师有空的时候能提点一下。 使用unet训练，还是老师的代码，差不多是40 epoch之后，预测出来的图像分割，预测对的点的概率非常集中，大概都在[1,...,0.99999535 0.9999949 0.9999943 0.9999933 0.999992 0.9999907 0.9999889 0.99998796 0.99998724 0.9999856 0.99998343 0.99998116 0.99997723 0.99997675 0.9999764 0.9999703 0.9999577 0.9999535 0.9999486 0.9999453 0.999944 0.99992955 0.99992025 0.9999181 0.9999089 0.9999058 0.9998952 0.99984705 0.9998202 0.9996326 0.9996008 0.9995078 0.99922884 0.9967386 0.99539775 0.995391 0.991197 0.9906724 0.9892915 0.9892553 0.9782649 0.96968466 0.95937544 0.9416338 0.93462884 0.91682875 0.8949944 0.87671226 0.75603426 0.7475551 0.7284518 0.6420492 0.62891126 0.5325708 0.52544403, ... ] 请教一下，这样是不是过拟合了。有没有什么好的方法可以使得预测概率有阈值可选？丰富样本吗？麻烦老师了。展开作者回复: 感觉不像过拟合。数据标的没有问题吗？可以看看前几个epoch结果什么样子。
共 2 条评论- 汪zZ2022-10-30 来自北京方老师，请教一下： 如果我不是对图片进行语义分割，而是对类似视频，比如（400,384,288）的数据立方体进行语义分割，还可以使用unet吗？如果使用的话，这个示例里的通道数是从3->512->32->1，那么这种400通道的该怎么处理？ 谢谢。
作者回复: 理论上，代码是肯定能执行通过的。不过我对视频没有研究，不知道分割效果如何。
gavin2022-09-16 来自辽宁方老师，请问一下如果是多分类，特征图输出要怎么弄？作者回复: 您好，多分类时让网络最终输出的个数等于类别数，然后加softmax即可。
John(易筋)2022-08-23 来自北京predict_single.py 代码改了一下文件的相对路径可以跑通，发现output.jpg 大小为256x256. 原图微1024x640. 请教方老师，为啥语义分割出来的图片不是原始图片的等比缩小呢？ 谢谢 ``` import torch import numpy as np from PIL import Image img_size = (256, 256) unet = torch.load('./ckpts/unet_epoch_51.pth') unet.eval() im = np.asarray(Image.open('./data/JPEGImages/6.jpg').resize(img_size)) im = im / 255. im = im.transpose(2, 0, 1) im = im[np.newaxis, :, :] im = im.astype('float32') output = unet(torch.from_numpy(im)).detach().numpy() output = np.squeeze(output) output = np.where(output>0.5, 150, 0).astype(np.uint8) print(output.shape, type(output)) im = Image.fromarray(output) im.save('./output.jpg') ```展开作者回复: hi，你好。感谢留言。 这个尺寸是取决于网络的设计。 256x256的分割结果是可以resize回1024x640的。 当然，如果你设计的网络的输入输出支持1024x640的等比例缩放，也是可以的。
万化8af10b2022-07-03请问/weights/unet_epoch_51.Pth找不到，谢谢作者回复: Hi, 你好，感谢你的留言。 看起来是你要调用你训练了51个epoch的模型，可以看看你保存或者调用的路径写没写错。
共 2 条评论