代码用的是b导的
整个训练流程也是根据b导的视频来的
源码地址：https://github.com/bubbliiiing/unet-pytorch
博客地址：https://blog.csdn.net/weixin_44791964/article/details/108866828

# 一、准备数据集

1、使用labelme软件标注数据，得到json文件

注意：图片格式为.jpg，位深为24位，否则无法标注。

2.数据集的格式
SegmentationClass里的存放的是JPEGImages里的图片标注过后的png图片

3.制作自己的数据集
把原始图像放在datasets>before里
before里含有jpg的原始图片和json的标注文件

使用labelme生成json的标注文件

4.运行json_to_dataset.py
完成图片的标注后，可以运行根目录下的json_to_dataset.py文件，将数据转化为固定的格式。
运行前需要修改类

json_to_dataset.py运行完成后saved 1.jpg and 1.png 分别存放在JPEGImages和SegmentationClass

最后，可以把在dataset里生成后的JPEGImags和SegmentationClass文件复制到VOCdevkit里的JPEGImags和SegmentationClass文件。


5.训练集和验证集划分
运行voc_annotion.py文件后生成train.txt文件和val.txt文件

二、训练

1train.py文件中参数设置

Cuda 是否使用cuda，没有gpu可以设置为False
num_classes 数目为分类个数+1，这里的1是background
model_path 预训练权重
VOCdevkit_path=‘VOCdevkit’ 数据集路径

2.训练自己的数据集

python train.py

训练后保存的文件在根目录的logs文件夹下

3.利用训练好的模型进行预测
unet.py文件中

修改model_path和num_classes
model_path指向logs文件夹下的权值文件
num_classes为类别个数+1

运行predict.py文件，预测图片
需要输入你要预测的图片的路径
4.Miou评价指标计算

修改model_path和num_classes
model_path指向logs文件夹下的权值文件
num_classes为类别个数+1
修改name_classes

运行get_miou.py