U-Net源码上实现自己数据集的分割任务_u-net分割自己的数据集

# 深度学习还没开始就想放弃系列 #

环境： win7+python 3.5+ tensorflow 1.9.0 + keras 2.2.4

参考博客： U-net源码讲解（Keras）源码解析很棒很细！

                  全卷积神经网络图像分割(U-net)-keras实现代码根本来源于该博主的Github

                   深度学习数据增强（data_augmentation）:Keras ImageDataGenerator : keras的图像增强讲解，方便理解源码函数；

                   Keras中文文档——图片预处理 ： 无意中翻到的，学习keras可以留存。

目的 ： 利用U-Net （keras）实现自己数据集的分割任务，二类。

数据集准备： 

样本： size： 256*256 位深为8，.png格式；

标签： size： 256*256 ，.png格式，使用photoshop软件标注控制位深为8，图片名于样本名字相同。

存储位置： 同一个根目录下的两个文件夹中，文件名为：image, label

测试图片：位深为8，

主要代码：model.py:存放U-Net网络模型，keras写起来真的很简单！！

# model.py
import numpy as np 
import os
import skimage.io as io
import skimage.transform as trans
import numpy as np
from keras.models import *
from keras.layers import *
from keras.optimizers import *
from keras.callbacks import ModelCheckpoint, LearningRateScheduler
from keras import backend as keras
 
def unet(pretrained_weights = None,input_size = (256,256,1)):
    inputs = Input(input_size)
    conv1 = Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(inputs)
    conv1 = Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
    conv2 = Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool1)
    conv2 = Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv2)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
    conv3 = Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool2)
    conv3 = Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv3)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
    conv4 = Conv2D(512, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool3)
    conv4 = Conv2D(512, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv4)
    drop4 = Dropout(0.5)(conv4)
    pool4 = MaxPooling2D(pool_size=(2, 2))(drop4)
 
    conv5 = Conv