# course design

**Repository Path**: liu-r-ui/course-design

## Basic Information

- **Project Name**: course design
- **Description**: 图像处理课设
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-23
- **Last Updated**: 2026-06-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# UNet 离线图像抠图工具 README

## 一、项目简介

本项目基于 PyTorch 实现轻量化 UNet 语义分割网络，开发一套本地离线批量抠图工具，无需联网、无付费限制，在普通 Windows 笔记本 CPU 环境即可运行。
针对电商商品、静物、动物实拍图完成自动背景去除，输出带 Alpha 透明通道的 PNG 图片，解决在线抠图平台隐私泄露、手动 PS 抠图效率低的痛点。
项目使用 800 组图像分割数据集完成 20 轮完整训练，内置掩码形态学优化，细小物体、复杂边缘分割效果良好。

## 二、项目目录结构

plaintext
txkeshe/
├── .idea/                # PyCharm工程配置文件夹
├── datasets/             # 存放测试用实拍图片
├── U2NET_800/            # 训练数据集根目录
│   ├── images/           # 训练原图，jpg格式
│   └── masks/            # 对应标注掩码，png格式
├── models/               # 训练生成权重文件目录
│   └── my_unet_ep20.pth  # 20轮训练完成模型权重
├── unet_optimized_result/# 批量抠图输出透明PNG文件夹
├── main.py               # UNet模型20轮完整训练代码
├── predict.py            # 批量图片抠图推理代码
├── make_800.py           # 数据集预处理辅助脚本

## 三、环境依赖

1. 运行系统
   Windows 10 / Windows 11 64 位（适配华为 MateBook 笔记本）
2. Python 版本
   Python 3.8 ~ 3.9
3. 所需第三方库
   `pip install torch torchvision pillow numpy opencv-python`

## 四、数据集说明

- 训练数据集共 800 组配对样本；
- 原图存放于U2NET_800/images，后缀为.jpg；
- 掩码标注存放于U2NET_800/masks，后缀为.png；
- 文件命名规则：除后缀外文件名完全一致（如test01.jpg对应test01.png）；
- 代码内置自动剥离后缀匹配逻辑，解决 jpg/png 后缀不匹配找不到文件问题；
- 训练启动前自动校验全部配对，缺失掩码样本自动过滤并打印清单。

## 五、模型训练操作

前置准备

1. 完整放置 800 组原图 + 掩码数据集；
2. 笔记本全程连接电源，关闭 Windows 自动休眠、合盖睡眠；
3. 华为电脑管家关闭智能省电模式，切换至最佳性能；
4. 关闭浏览器、视频、杀毒等高占用后台程序。

启动训练

1. 直接运行main.py，程序自动执行：
2. 数据集配对校验，输出缺失掩码清单；
3. 加载有效 800 组样本，每轮 400 个 Batch；
4. 循环训练 20 个 Epoch，每 10 个 Batch 打印损失值；
5. 20 轮全部训练完成后，自动保存权重至models/my_unet_ep20.pth。

训练时长说明
纯 CPU 环境，单轮训练约 28~30 分钟，20 轮完整训练总耗时 9.5~10 小时，支持夜间挂机运行。

排错说明

- 报错FileNotFound：原图与掩码文件名不匹配，程序预过滤自动丢弃缺失样本；
- 递归深度溢出：代码已重构，移除递归跳转，提前过滤全部有效样本，杜绝死循环报错。

## 六、批量抠图推理操作

1. 将待抠图素材放入datasets/my_test/images；
2. 直接运行predict.py；
3. 程序自动加载 20 轮训练权重，批量处理全部图片；
4. 处理完成的透明背景 PNG 素材自动输出至unet_optimized_result；
5. 内置掩码后处理：阈值过滤、形态学去噪、高斯平滑，优化物体边缘锯齿与空洞。

## 七、功能特性

- 离线本地运行：无网络请求，保护图片素材隐私；
- 低硬件适配：仅依赖 CPU，8G 内存普通笔记本稳定运行；
- 批量自动处理：一键批量抠图，自动跳过损坏、异常图片；
- 多场景适配：支持商品挂件、零食、动物、静物等实拍素材分割；
- 鲁棒容错机制：数据集缺失文件、损坏图片自动跳过，不会中断程序；
- 边缘优化：掩码平滑处理，保留细小链条、毛发等精细结构。

## 八、性能指标

- 单张 1080P 图片 CPU 推理耗时：2~3 秒；
- 程序空载内存占用：≤250MB，峰值内存≤340MB；
- 20 轮训练损失持续收敛，对比 10 轮模型细小物体分割缺陷显著减少；
- 输出标准 RGBA 透明 PNG 文件，可直接用于 PPT、PS、自媒体设计。

## 九、项目不足与优化方向

现存缺陷

- 训练数据集仅 800 组小规模样本，复杂半透明物体分割存在瑕疵；
- 仅支持命令行脚本运行，无可视化 GUI 界面，操作门槛较高；
- CPU 推理速度较慢，大批量图片处理耗时较长。

后续优化方案

- 扩充数据集样本量，提升复杂场景分割精度；
- 开发可视化图形操作界面，降低使用门槛；
- 支持 NVIDIA GPU 加速，大幅缩短训练与推理耗时；
- 增加自定义输出格式、批量尺寸缩放功能。

十、使用注意事项

- 项目文件夹路径、图片文件名禁止中文，避免读取失败；
- 夜间挂机训练必须插电，关闭系统自动更新防止电脑重启中断训练；
- 训练完成后使用predict.py时，请勿修改权重文件名称与存放路径；
- 笔记本长时间训练垫高底部，保证散热，防止高温降速。