在我们这个时代，图像数据的语义分割经常用于计算机视觉。U-Net 是一个主干网络，包含用于屏蔽对象的卷积神经网络。
🧶 U-Net 因其架构类似于图中所示的字母 u 而得名。输入图像在输出端作为分割的输出图获得。
您可以在文章用 U-Net 进行图像分割中了解 U-Net 网络的基本信息和工作架构。本文描述了用 Python 编程语言逐步编写 U-Net 的代码。
在此步骤中，如果您的数据集将从现有代码中提取，您可以按如下方式从文件中加载它。如果数据集位于正在工作的活动文件夹中，则可以通过从文件中加载数据来工作。如果您要像下面的代码行那样工作，数据在加载时需要经过一个准备阶段。
get _ dataset . py
我们导入模块的 Python 文件的代码如下所示。这里的变量 r 向将要下载数据集的地址发出请求。为了从 download_dataset 文件中下载数据，您必须键入要下载的链接，而不是请求的默认域名。
download_dataset.py
整个研究中使用的文库如下所示。应该用**** pip install-r requirements . txt ****命令将库安装在这个环境中。
📣注意！ download _ dataset 文件的 Python 代码应位于 Python 文件夹中，以便主动工作。因此，稍后可以从该文件下载数据集。下一步是准备数据。
在这一步中，导入数据集的图像被缩小到 512 x 512。因此，研究中使用的所有数据都采用了统一的数据大小。
🪐As 是已知的，在整个卷积神经网络模型中应用的高度和宽度的尺寸减小，即汇集层，可以与不同的方法结合，如最大值、平均值或中值，并在代码的后半部分实现。得益于这些图层，它旨在提高输出的分辨率。高分辨率特征和采样输出在整个模型中被组合用于定位。然后，顺序卷积层旨在基于此信息创建更精确的输出。
使用 images_prepare.py 文件
你可以在下面这行代码中找到导入的整个images _ prepare模块。
images_prepare.py
提取 _masks.py
上面提到的 masks_prepare 文件已经通过以下代码脚本保存。在该步骤中，首先，使用 masks_prepare 函数将调整后的数据作为参数发送给该函数。
🧮Images 被转换为 1 大小并被分配给 NumPy 数组。图像值到数组的转换对于处理像素值是必不可少的。从图像中提取的遮罩保存在一个文件夹中。简而言之，根据其他算法，U-Net 不使用标签引用，而是使用数学推断的掩码。
在这一步中，数据被缩放到 Float32，X 和 Y 值称为图像和遮罩。在这一步中，数组被修改为 NumPy 数组，因为我将在训练和测试集中处理 105。你可以根据自己的数据来改变这一点。您可以用 plt.imshow. 控制一个随机图像数据
checkanalysisdata.py
在此步骤中，将使用在文件夹中创建的 UNET 函数。导入模型所需的层 CONV2D、MaxPooling2D、BatchNormalization、Conv2DTranspose、Dropout。
unet_model.py
为从工作文件夹中的 model.py 文件中拉出的 U-Net 模型创建一个函数会加快工作速度。对于下一个模型，U-Net 模型应该如上图所示。
***model . summary()***用于可视化代码中的图层。汇总各层后，输出如下。没有图片中看到的那么少的图层，我只添加了第一层，这样它们就不会占用空间。
在这个阶段使用两个独立的函数。
- model.compile: 损失函数定义了优化器和指标。你需要一个编译好的模型来训练(因为训练用的是损失函数和优化器)。但是没有必要编译模型来进行预测。
- model.fit: 为指定数量的时期训练模型。因为 epochs 参数在这里被给定为 100，所以训练将在 100 个步骤中完成。由于这里选择的度量标准是 [“精确度”] ，因此在培训过程中将逐步遵循精确度值。
compilefit_model.py
如代码中所述，编译时选择的指标、损失函数和优化器完全可以根据个人情况选择。您可以对此进行更改，并直观地看到精度的变化。结果，当开始模型训练时，观察到如下的周期变化。如果你已经走了这么远，恭喜你！
观察历元数的结果
一旦训练结束，接下来就是猜测的步骤了。正如这里所看到的，我们作为 x_test 分离的数据被分配给一个具有 predict 函数的变量并被使用。您可以通过将预测值打印到屏幕上来查看预测结果。
预测. py
📑研究中使用的学术文章；
👁🗨 研究中使用的代码的主要来源；
[## GitHub-SerdarHelli/使用 U-Net 对全景 X 射线图像中的牙齿进行分割
github.com](https://github.com/SerdarHelli/Segmentation-of-Teeth-in-Panoramic-X-ray-Image-Using-U-Net)
- “语义分割”，王，机器学习小组，多伦多大学。
keras.io](https://keras.io/api/models/model_training_apis/) [## model.compile()是否初始化了 Keras (tensorflow backend)中的所有权重和偏差？
stackoverflow.com](https://stackoverflow.com/questions/47995324/does-model-compile-initialize-all-the-weights-and-biases-in-keras-tensorflow)