# Road_Dectection

**Repository Path**: fitz_gitee/Road_Dectection

## Basic Information

- **Project Name**: Road_Dectection
- **Description**: 基于U-Net深度学习模型的道路语义分割的学习项目，实现道路与非道路区域的像素级分类。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-10-01
- **Last Updated**: 2025-10-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 道路分割项目

这是一个使用PyTorch实现的U-Net语义分割项目，用于识别图像中的道路区域。该项目采用自定义U-Net架构，对像素进行二分类（道路/非道路）。

## 项目特点

- 自定义U-Net实现，包含编码器-解码器架构
- 数据增强（随机水平翻转）
- 完善的评估指标（IoU和像素准确率）
- 分割结果可视化
- 支持双线性插值和转置卷积两种上采样方式

## 环境要求

```bash
pip install torch torchvision opencv-python matplotlib numpy tqdm scikit-learn
```

## 文件结构
```
├── Decection.py          # 主训练和评估脚本
├── data/
│   └── train/
│       ├── images/       # 训练图像
│       └── labels/       # 分割标注
└── README.md             # 项目说明文档  
```

## 模型架构
U-Net模型包含：

**编码器**：4个下采样模块，使用最大池化
**解码器**：4个上采样模块，带跳跃连接
**输入通道**：3通道（RGB）
**输出类别**：2类（道路/非道路）
### 核心组件：
DoubleConv：两个连续的"卷积-批归一化-ReLU"模块
Down：最大池化 + DoubleConv，用于下采样
Up：上采样 + 特征拼接 + DoubleConv
OutConv：1×1卷积，用于最终分类


## 使用方法
### 训练模型
程序会自动完成以下步骤：

- 加载并预处理数据集
- 将数据划分为训练集/验证集/测试集（70%/20%/10%）
- 使用Adam优化器训练50轮
- 每轮训练后在验证集上评估
```bash
python Decection.py
```

### 参数配置
可修改的关键参数：

- batch_size = 4：训练批次大小
- lr = 0.0001：学习率
- num_epochs = 50：训练轮数
- 图像尺寸：调整为256×256像素


## 数据预处理
图像统一调整为256×256尺寸
使用ImageNet统计值进行归一化
随机水平翻转作为数据增强
标签转换为long类型张量以适配CrossEntropyLoss

## 评估指标
平均IoU（交并比）：衡量预测分割与真实分割的重叠程度
像素准确率：正确分类的像素百分比

## 模型性能
模型会输出：

训练后的验证集指标
最终测试集评估指标
对比原始图像、预测结果和真实标注的可视化图

## 模型说明
### U-Net架构详解
U-Net是一种经典的语义分割网络，因其U形结构而得名：

**下采样路径**：逐步提取高级语义特征
**上采样路径**：恢复空间分辨率
**跳跃连接**：融合不同尺度的特征，保留细节信息

### 关键技术点
**批归一化**：稳定训练过程，防止梯度爆炸
**跳跃连接**：结合浅层细节和深层语义信息
**1×1卷积**：实现跨通道信息整合，调整输出通道数