班级网站设计wordpress,网站的弹窗怎么做,国外html5游戏网站,网站建设管理调研提纲快速开始
为了让大家快速了解PaddleSeg#xff0c;本文档使用一个简单示例进行演示。在实际业务中#xff0c;建议大家根据实际情况进行调整适配。
在开始下面示例之前#xff0c;请大家确保已经安装好PaddleSeg开发环境#xff08;安装说明#xff09;。
1 准备数据
…快速开始
为了让大家快速了解PaddleSeg本文档使用一个简单示例进行演示。在实际业务中建议大家根据实际情况进行调整适配。
在开始下面示例之前请大家确保已经安装好PaddleSeg开发环境安装说明。
1 准备数据
本示例将使用视盘分割optic disc segmentation数据集数据集的原始图像和分割效果图如下所示。 通过以下命令可以下载视盘分割数据集(下载链接解压保存到PaddleSeg/data目录下。
cd PaddleSeg
mkdir data cd data
wget https://paddleseg.bj.bcebos.com/dataset/optic_disc_seg.zip
unzip optic_disc_seg.zip
cd ..2 准备配置文件
我们常用PaddleSeg配置化驱动方式进行开发配置文件是模型训练、评估、预测和部署的关键。
配置文件中定义了分割模型、损失函数、训练超参、训练数据集、验证数据集等信息。
本示例使用的配置文件是PaddleSeg/configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml
3 模型训练
在PaddleSeg根目录下执行如下命令进行单机训练。
export CUDA_VISIBLE_DEVICES0 # Linux下设置1张可用的卡
# set CUDA_VISIBLE_DEVICES0 # Windows下设置1张可用的卡python tools/train.py --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml --save_interval 500 --do_eval --use_vdl --save_dir output训练完成后模型在验证集上的mIoU达到90.65%(数据可能变动)精度最高的模型权重保存在PaddleSeg/output/best_model目录。
4 模型评估
在PaddleSeg根目录下执行如下命令使用val.py脚本来评估模型的精度即计算验证数据集的精度。
python tools/val.py --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml --model_path output/best_model/model.pdparams5 模型预测
在PaddleSeg根目录下执行如下命令使用predict.py脚本加载模型对图像进行预测并且保存预测结果。
python tools/predict.py --config configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml --model_path output/best_model/model.pdparams --image_path data/optic_disc_seg/JPEGImages/H0002.jpg --save_dir output/result预测完成可以在PaddleSeg/output/result目录下查看预测结果如下图。 6 后续
得到训练好的模型后上述预测步骤可以得到预测结果。此外我们还可以导出预测模型并部署实现更快的推理速度具体请参考PaddleSeg的详细文档。 参考文章:https://gitee.com/paddlepaddle/PaddleSeg/blob/release/2.9/docs/quick_start_cn.md
