Проект Семантической Сегментации

Обзор

Этот проект демонстрирует подход глубокого обучения к семантической сегментации, используя набор данных для обучения модели, которая классифицирует каждый пиксель изображения.

Основные возможности

• Предобработка изображений и масок
• Аугментация данных
• Обучение сверточной нейронной сети
• Оценка и визуализация результатов

Установка и настройка

1. Клонируйте репозиторий:

   git clone https://github.com/ne-olya/sem_seg.git

2. Установите зависимости:

   pip install -r requirements.txt
   

Использование

Откройте Jupyter Notebook:

• Запустите среду (например, Google Colab или локально)
• Выполните ячейки для предобработки данных и обучения модели

Архитектура модели

Используется сверточная нейронная сеть, разработанная для задач сегментации изображений. Она включает слои для извлечения признаков и увеличения разрешения для создания пиксельных предсказаний.

Набор данных

Проект использует [https://www.kaggle.com/datasets/kanametov/ph2dataset] для обучения и оценки.

Результаты

SegNet с функцией потерь binary cross-entropy (BCE)

• Порог предсказания: 0.5
• Размер батча: 25
• Результаты (эпохи, LR, IOU):
  • 20 эпох: LR = 0.001 (Adam opt), IOU = 59%
  • 30 эпох: LR = 0.001 (Adam opt), IOU = 68%
  • 40 эпох: LR = 0.001 (Adam opt), IOU = 80%

SegNet с функцией потерь dice loss

• Порог предсказания: 0.5
• Размер батча: 25
• 40 эпох: LR = 0.001 (Adam opt), IOU = 70%

SegNet с функцией потерь focal loss

• Порог предсказания: 0.5
• Размер батча: 25
• 40 эпох: LR = 0.001 (Adam opt), IOU = 70%

UNET Upsample с BCE

• Порог предсказания: 0.5
• Размер батча: 10
• 20 эпох: LR = 0.001 (Adam opt), IOU = 32%

UNET Transpose с BCE

• Порог предсказания: 0.5
• Размер батча: 10
• 5 эпох: LR = 0.001 (Adam opt), IOU = 41%