wcl6
commented
4 years ago 请问您的Unet模型是每个类单独训练一个模型吗？如果同时训练多个模型合适吗？可以的话怎么去做？
Open Shikairan opened 4 years ago
wcl6
commented
4 years ago 请问您的Unet模型是每个类单独训练一个模型吗？如果同时训练多个模型合适吗？可以的话怎么去做？
panyinyin
commented
4 years ago 请问您的Unet模型是每个类单独训练一个模型吗？如果同时训练多个模型合适吗？可以的话怎么去做？
我也想问这个问题
panyinyin
commented
4 years ago 想问一下unet模型怎么跑多分类呀，里面那个classes的变量如何应用呢
zy1139069091
commented
4 years ago @Shikairan 我跑出来的unet模型训练和验证准确率都是90%多，用模型进行预测时发现几乎什么都被识别为建筑物，数据集是用的自己的数据集。请问我这是数据集的问题吗，还是模型本身有问题
zhanglei961120
commented
4 years ago @Shikairan 我跑出来的unet模型训练和验证准确率都是90%多，用模型进行预测时发现几乎什么都被识别为建筑物，数据集是用的自己的数据集。请问我这是数据集的问题吗，还是模型本身有问题
你好，我也遇到了同样的情况，请问你找到原因了吗？我是做水体识别，然后预测结果显示大量建筑物和道路被识别为水体。
Sept-Oct
commented
3 years ago @Shikairan 我跑出来的unet模型训练和验证准确率都是90%多，用模型进行预测时发现几乎什么都被识别为建筑物，数据集是用的自己的数据集。请问我这是数据集的问题吗，还是模型本身有问题
你好，请问你是做的多分类吗？我在用unet训练时loss一直为负，acc一直0.33左右，能交流一下为什么吗？谢谢，期待回复。
panyinyin
commented
3 years ago loss为负估计是多分类的节点没设置好吧，我之前也有过这个问题
------------------ 原始邮件 ------------------ 发件人: "AstarLight/Satellite-Segmentation" <notifications@github.com>; 发送时间: 2020年12月16日(星期三) 中午11:49 收件人: "AstarLight/Satellite-Segmentation"<Satellite-Segmentation@noreply.github.com>; 抄送: "1948954467"<1948954467@qq.com>;"Comment"<comment@noreply.github.com>; 主题: Re: [AstarLight/Satellite-Segmentation] 关于该git代码与训练集问题的相关解释 (#57)
@Shikairan 我跑出来的unet模型训练和验证准确率都是90%多，用模型进行预测时发现几乎什么都被识别为建筑物，数据集是用的自己的数据集。请问我这是数据集的问题吗，还是模型本身有问题
你好，请问你是做的多分类吗？我在用unet训练时loss一直为负，acc一直0.33左右，能交流一下为什么吗？我qq1940263484，谢谢，期待回复。
— You are receiving this because you commented. Reply to this email directly, view it on GitHub, or unsubscribe.
zhgv
commented
3 years ago 自己用tf去写一个pooling与upsampling？该怎么写呢？
关于该git我收到许多疑问与求助，这里我需要声明一下本人不是该git的作者。 该git代码unet部分是没有问题的，可以使用，注意一下shape中channel的顺序就行。 但是segnet部分建议不要使用，因为segnet模型是需要在pooling时记住pooling index的，然后在upsampling的时候借用pooling index去恢复图像，keras是在upsampling的时候是没有根据pooling index去特定恢复的功能，这里需要自己用tf去写一个pooling与upsampling。
其次，git里的训练数据集是有问题的。有兴趣的可以打开一张训练图与标记图去看看，建筑的标记及其不准确，有的顺带将大楼阴影标记为建筑，有的将道路上的树木标记为建筑，有的将一个建筑的一半标记为建筑另一半是标记为道路的，而且标记的边缘极其粗糙，经常会带着一些一些奇奇怪怪的东西一并标记成建筑。这也能解释为什么评论里到处都是问准确率的问题，拿着一个有问题的训练集当然训练不好。
最后需要指明一点的是，这个代码所需要的GPU性能还是挺高的，尤其是显存要求。我自己的使用数据集（每张图256-256-3，共50000张图）在12GB的P100下（NVIDIA-SMI 430.26 ；Driver Version: 430.26；CUDA Version: 10.2），BS=64的unet模型就能吃满显存，BS=67下就能直接报显存爆的了错误。修改后的Segnet，在BS=17下就能爆显存。所以显卡内存不足的“道友”想要训练模型请做好心理准备。
训练最佳结果与训练时间： Segnet建筑识别最佳结果：loss：0.144, 训练精度：0.9479，验证集精度：0.9423 BS=16，epoch=30，每epoch需要30分钟，共大约15小时训练完，验证集精度在前9轮从86%收敛到91%，后续21轮从91%收敛到94%。最佳模型出现在第30轮epoch。
Segnet道路识别最佳结果：loss：0.068, 训练精度：0.9817，验证集精度：0.9800 BS=16，epoch=30，每epoch需要30分钟，共大约15小时训练完，验证集精度在第一轮就收敛到94%，后续29轮在验证精度95%-98%之间震荡。最佳模型出现在第2轮epoch。
Unet建筑识别最佳结果：loss：0.157, 训练精度：0.9391，验证集精度：0.9365 BS=64，epoch=30，每epoch需要5分钟，共大约2个半小时训练完，验证集精度在第一轮就收敛到90%，后续29轮在验证精度90%-94%之间震荡。最佳模型出现在第27轮epoch。
Unet道路识别最佳结果：loss：0.110, 训练精度：0.9729，验证集精度：0.9726 BS=64，epoch=30，每epoch需要5分钟，共大约2个半小时训练完，验证集精度在第一轮就收敛到95%，后续29轮在验证精度95%-98%之间震荡。最佳模型出现在第13轮epoch。
最后说明一点，我没法公布保密数据集，所以要数据集的同志抱歉了。