延伸閱讀
[簡介]
使用 UNet 進行影像的分割，可應用於醫療影像分析、瑕疵影像分析等。
[操作步驟及說明]
1. 1_annotation_labelme_json.ipynb
開啟標註工具 LabelMe。
設定參數:
• image_folder : 影像的資料夾
• annotation_path : 輸出的標註檔案路徑
設定完成後，即可執行。
2. 2_labelme_json_to_dataset.ipynb
將 LabelMe 的標註檔案轉成訓練的 dataset。
設定參數:
• label_path : 標註檔案的資料夾
• output_path : 輸出檔案的路徑
• mask_path : mask 的路徑
設定完成後，即可執行。
3. 3_delete_log.ipynb
刪除 log 檔案。
4. 4_train.ipynb
執行訓練。
設定參數:
• model_file : 輸出的模型檔案路徑
• epoch_steps : 每個 epoch 的 step 數量
• num_epochs : epoch 的數量
• log_dir : log 資料夾的路徑
• train_folder : 訓練資料夾的路徑
設定完成後，即可執行。
5. 5_kill_tensorboard.ipynb
刪除舊的 tensorboard 程式。
6. 6_tensorboard.ipynb
執行 tensorboard。
7. 7_inference.ipynb
執行推論。
設定參數:
• model_file : 輸入的模型檔案路徑
• image_file : 推論的影像檔案路徑
• predict_file : 推論結果檔案的路徑
設定完成後，即可執行。
8. 8_inference_folder.ipynb
針對資料夾，執行推論。
設定參數:
• model_file : 輸入的模型檔案路徑
• image_file : 推論影像資料夾的路徑
• predict_file : 推論結果檔案的路徑
設定完成後，即可執行。
執行後，即可看到 UNet 推論的結果。
9. 9_inference_api.ipynb
執行推論的 API。
10. 10_inference_api_browser.ipynb
開啟瀏覽器使用 API。