注意：本课程已从Keras更新至TensorFlow2

U-Net是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。

本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用U-Net训练自己的数据集，从而能开展自己的图像分割应用。

本课程有三个项目实践：

(1) Kaggle盐体识别比赛 ：利用U-Net进行Kaggle盐体识别

(2) Pothole语义分割：对汽车行驶场景中的路坑进行标注和语义分割

(3) Kaggle细胞核分割比赛 ：利用U-Net进行Kaggle细胞核分割

本课程使用TensorFlow2版本的U-Net，在Ubuntu系统上用Jupyter Notebook做项目演示。 包括：数据集标注、数据集格式转换和Mask图像生成、编写U-Net程序文件、训练自己的数据集、测试训练出的网络模型、性能评估。项目代码也可在Windows上运行，课程提供Windows环境搭建方法。

本课程提供项目的数据集和Python程序代码。

相关课程：UNet（PyTorch）图像语义分割实战：训练自己的数据集 https://edu.csdn.net/course/detail/36198