在这篇博客中，我将讨论Vanilla(基本/简单)UNET架构与采用EfficientNetB0作为编码器的UNET的性能。

最近，我参加了一个Kaggle竞赛，在那次竞赛中，使用EfficientNet架构提交的作品数量最多。我惊讶地发现，我浏览的几乎所有深渊翻滚都实现了EfficientNet模型。然后，后来我遇到了EfficientDet，这是一个以EfficientNet架构为主干的对象检测架构！所以我想，为什么不把它作为UNET的主干架构来试用呢？

要了解EfficientNet，您可以参考此链接，对于EfficientDet，请参阅此链接。link link

要了解采用EfficientNetB0作为编码器架构的UNET，请单击此处。here

Vanilla UNET与采用EfficientNetB0作为编码器的UNET的比较

因此，在我执行的实验中，我训练了两个模型，一个使用简单的UNET架构，另一个使用EfficientNetB0作为UNET架构中的编码器。我使用的数据集是来自Kaggle的“人员分段”。Person Segmentation

这两位模特都在谷歌可乐上接受了20个时代的培训。那么，为什么是20个纪元呢？答案是我在EfficientNetB0-UNET上执行迁移学习，所以它在20个时期获得了相当好的值(在特定的性能指标上)。由于本博客对两种架构进行了比较，因此都应该在相同的纪元数上进行训练。研究结果如下。

损失值(培训损失和验证损失)

召回价值

精确值

推理

在Google Colab上对这两个模型进行了培训后，我在本地机器上对它们进行了测试。结果如下：

原图：-

输出：-

从上面的推论可以看出，与香草UNET相比，采用EfficientNetB0作为编码器的UNET具有更好的输出。我认为玩弄UNET的编码器部分，比如说，使用EfficientNetB1或B2可能会产生更好的模型。

在我的下一篇博客中，我将比较EfficientNetB0和B7作为UNET编码器的性能。

在LinkedIn上与我联系：-D。感谢您阅读我的博客！LinkedIn