Skip to content

unet_segmentation

Directory actions

More options

Directory actions

More options

Latest commit

 

History

History

unet_segmentation

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 
main.ipynb
main.ipynb
 
 

README.md

このフォルダのプログラムについて

このフォルダのmainプログラム(main.ipynb)は、U-Netの勉強を兼ねて、Hugging Faceにアップロードされているセマンティックセグメンテーション用のデータを題材にして、U-Netの実装やFine Tuningを試してみたものになります。

U-Netによるセマンティックセグメンテーション

Pascal VOC 2012データセットを用いた画像セグメンテーションの実装

プログラム概要

  • 目的: U-Netモデルを使用した画像のセマンティックセグメンテーション
  • データセット: Pascal VOC 2012 (validation set)
  • フレームワーク: PyTorch
  • モデル: カスタムU-Net実装
  • クラス数: 22クラス (21クラス + 背景)

データ準備フロー

graph LR
    A[Pascal VOC 2012<br/>ダウンロード] --> B[画像ファイル取得]
    B --> C[オリジナル画像<br/>JPEGImages]
    B --> D[セグメント画像<br/>SegmentationClass]
    C --> E[ファイル名マッチング]
    D --> E
    E --> F[PIL画像リスト作成]
    F --> G[Train/Valid分割<br/>80%/20%]
Loading

データ前処理

画像変換処理

  • リサイズ: 224×224ピクセルに統一
  • オリジナル画像:
    • RGB値を255で除算して正規化 (0-1範囲)
    • FloatTensorに変換
  • セグメント画像:
    • 値255を21に変換 (背景クラス)
    • LongTensorに変換 (クラスラベル)

U-Netアーキテクチャ (1/3)

基本ブロック構成

MyUNetConvBlock: 畳み込みブロック

  • Conv2d (3×3, padding=1)
  • BatchNorm2d
  • ReLU

MyUNetUpConvBlock: アップサンプリングブロック

  • ConvTranspose2d (3×3, stride=2)
  • BatchNorm2d
  • ReLU

U-Netアーキテクチャ (2/3)

graph TD
    A[入力: 3ch, 224×224] --> B[Encoder Layer 1: 64ch]
    B --> C[MaxPool ↓]
    C --> D[Encoder Layer 2: 128ch]
    D --> E[MaxPool ↓]
    E --> F[Encoder Layer 3: 256ch]
    F --> G[MaxPool ↓]
    G --> H[Encoder Layer 4: 512ch]
    H --> I[MaxPool ↓]
    I --> J[Bridge Layer 5: 1024ch]
Loading

U-Netアーキテクチャ (3/3)

graph TD
    A[Bridge: 1024ch] --> B[UpConv ↑]
    B --> C[Skip Connection]
    C --> D[Decoder Layer 6: 512ch]
    D --> E[UpConv ↑]
    E --> F[Skip Connection]
    F --> G[Decoder Layer 7: 256ch]
    G --> H[UpConv ↑]
    H --> I[Skip Connection]
    I --> J[Decoder Layer 8: 128ch]
    J --> K[UpConv ↑]
    K --> L[Skip Connection]
    L --> M[Decoder Layer 9: 64ch]
    M --> N[出力: 22ch, 224×224]
Loading

モデル詳細

ネットワーク構造

  • 入力次元: 3チャンネル (RGB)
  • 隠れ層次元: 64 (基準値)
  • 出力次元: 22チャンネル (クラス数)
  • エンコーダ: 5層 (解像度を1/16に縮小)
  • デコーダ: 4層 (解像度を元に戻す)
  • Skip Connection: エンコーダとデコーダ間で特徴マップを結合

推論処理フロー

graph TD
    A[学習済みモデル読み込み] --> B[検証データ入力]
    B --> C[順伝播]
    C --> D[出力: 22チャンネル]
    D --> E[Softmax適用<br/>チャンネル方向]
    E --> F[Argmax適用<br/>最大値チャンネル取得]
    F --> G[予測セグメント画像<br/>1チャンネル]
    G --> H[Tensor→NumPy変換]
    H --> I[PIL画像化]
Loading

まとめ

実装内容

  1. Pascal VOC 2012データセットの取得と前処理
  2. カスタムDataset/DataLoaderの実装
  3. U-Netモデルの実装 (Encoder-Decoder + Skip Connection)
  4. 学習・検証ループの実装
  5. 損失値の可視化
  6. 推論と結果の可視化