通过U-Net图像语义分割实战，你可以训练你自己的数据集。

简介：
U-Net 是一种基于深度学习的图像语义分割技术，在医学图像分割领域尤其展现出卓越的性能。 本课程将以手把手的方式，指导学员们运用 labelme 图像标注工具，构建个人数据集，进而生成 Mask 图像，并利用 U-Net 对其进行训练，最终实现自主的图像分割应用开发。 本课程包含三个实践性项目：首先，我们将通过利用 U-Net 参与 Kaggle 盐体识别比赛来提升技能；其次，我们将对汽车行驶场景中的路坑进行标注和语义分割；最后，我们将参与 Kaggle 细胞核分割比赛，同样利用 U-Net 进行模型训练。 为了便于学习和实践，本课程采用 keras 版本的 U-Net 模型，并在 Ubuntu 系统上使用 Jupyter Notebook 进行项目演示。课程内容涵盖数据集的标注工作、数据集格式的转换以及 Mask 图像的生成、U-Net 程序文件的编写、数据集的训练、训练完成的网络模型的测试以及性能评估等环节。此外，本课程还将提供项目所需的数据集和 Python 程序文件供学员参考。