1.1语义分割基础

1.1.1概念

简而言之，是将一张（含有多种物体的）图片，识别出其中一种物体。

最简单的语义分割，当属于二分类，即识别出图片中的两种地物，一种归为背景，另一种归为想要提取的物体。

将原图放入模型后，产生预测图，预测图宇实现已有的标签计算loss，调整参数继续循环这个过程，直至loss函数最小，即参数最优为止。

深入理解：

图像shape的变化：

编码：图像（size)不断变小，同时不断变厚（通道数增加）

解码：图像（size)不断变大（最终恢复到原图的1/2），同时不断变薄（通道数减小）

1.2代码部分

1.2.1训练流程

通过gitup下在完整代码https://github.com/bubbliiiing/Semantic-Segmentation
数据集的链接为：

通过修改报错进行训练

1.2.2训练结果

原图：
在这里插入图片描述
处理后：
在这里插入图片描述

# 人工智能
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局