# unet项目全流程

**Repository Path**: dogeblog/unet

## Basic Information

- **Project Name**: unet项目全流程
- **Description**: 基于unet的语义分割
包括标注数据转训练数据
训练
训练结束后转tensorrt并部署
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 2
- **Created**: 2021-04-29
- **Last Updated**: 2024-11-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# unet全流程
![效果图](https://images.gitee.com/uploads/images/2021/0531/152816_edb4fdca_8329661.png "屏幕截图.png")
#### 介绍
基于unet的语义分割。
包括标注，标注结果转训练集，数据集训练，训练结束后转tensorrt,tensorrt客户端部署。

 **tensorrt部署后，640*360的图，在rtx3090推理时间4-5ms** 


#### 原始代码来源

1.  unet代码源于https://github.com/milesial/Pytorch-UNet
2.  tensorrt代码源于https://github.com/wang-xinyu/tensorrtx 与 https://github.com/YuzhouPeng/unet-tensorrt

#### 1.标注
参考https://gitee.com/doge_ac_cn/labelme#installation

#### 2.生成unet训练的数据集
1.先把labelme标注的结果放在 labelme绘制mask/labelme 文件夹下。

2.然后先后运行labelme2coco.py和genneratemask.py，分别生成coco标注文件和mask文件。

#### 3.训练
1.把原图和mask分别拷贝到 Pytorch-UNet/data 的img和mask文件夹下

2.运行train.py

3.命令行输入tensorboard --logdir=runs

然后进入http://localhost:6006/ 即可查看运行的loss值，学习率，验证集效果。

#### 4.转tensorrt 的 推理 engine
看unet2tensorrt的readme即可


这里直接转的话，会与python的结果有误差


详情见作者的issue https://github.com/wang-xinyu/tensorrtx/issues/526 与  https://github.com/YuzhouPeng/unet-tensorrt/issues/8 

#### 5.flask写了个简易版本的web服务，用于接收图片url，返回识别结果。
项目server端源自nvidia官方的triton server

https://github.com/triton-inference-server

client改于yolov4的client

https://github.com/isarsoft/yolov4-triton-tensorrt

详细见trition_client