OpenVINO基于Unet模型对16位核磁图像语义分割推理和模型服务部署

这里我们采用的是二分类的Resnet_Unet模型进行训练,训练过程和之前文章所述。至于损失函数,本次测试使用focal loss,发现训练不稳定,最后依旧采用dice,也许最直接的就是最好的吧。

为什么要用openvino呢,因为现在在intel的cpu上openvino是最快的。而大多数边缘设备是没有显卡的!

OpenVINO基于Unet模型对16位核磁图像语义分割推理和模型服务部署_第1张图片

16位核磁320*320大小,OR转换命令如下

python mo.py --input_model resnet101_unet_H_dice_loss_int16_extend.pb --input_shape=[1,320,320,1]  --data_type FP32   --model_name resnet101_unet_H_dice_loss_int16_extend

 

 OpenVINO基于Unet模型对16位核磁图像语义分割推理和模型服务部署_第2张图片

推理效果展示:

OpenVINO基于Unet模型对16位核磁图像语义分割推理和模型服务部署_第3张图片

你可能感兴趣的:(医学图像分割,openvino,深度学习)