▇ ▆ ▅ ▃ ▂ ▁ ▂ ▃ ▅ ▆ ▇

用於拆分的ai模型，要分爲兩部分

• 1. 用於標記（注）的ai模型
• 2. 用於拆分的ai模型

用於標注的ai、模型

1. 準備數據集與訓練的基礎

   • 收集數據（立繪圖像），需具備多個部件 我打算從蔚藍檔案，少女前綫，碧藍航綫，鳴潮，少前2·追放裏獲得（但是，但是哈，不夠，這還不夠）

   • 手動標注少量成本，作爲初始訓練數據 采用遷移學習和數據增强等技術，利用少量標記樣本來起到初步訓練模型的作用。 預計要300張標記圖。

   • 每個立繪圖像的標簽應是分割圖（mask）

   • 每個部件對應一個唯一的標簽

2. 使用深度學習模型進行圖像分割
   • 采用 U-Net 等预训练模型，分割出不同的图层。
3. 将分割后的不同部分提取出来并保存
4. 優化

最主要的拆分部分
头发：前发、后发、侧发等。
眼睛：上眼皮、下眼皮、瞳孔等。
嘴巴：上嘴唇、下嘴唇、舌头、牙齿等。
衣服：上衣、裤子、裙子等。
面部：面颊、鼻子、下巴等。
耳朵。
四肢：手臂、手、脚、腿等。

配件和饰品：耳环、眼镜、帽子等。

需要的一些python庫：pytorch torchvision matplotlib opencv-python pillow numpy

pip install torch torchvision matplotlib opencv-python pillow numpy

構建標注系統的步驟

1. 訓練自動標注模型 要基於已有的標註數據集訓練圖像分割模型，這樣模型可以學會如何對圖像進行像素級的標註。

   # 假設你已經訓練了U-Net模型並將其命名為 `unet_model`
   model = UNet(in_channels=3, out_channels=3)  # 設定為分割三個類別（例如，背景、頭髮、衣服）
   
   # 訓練模型的步驟與之前相同，並保存模型
   

2. 建立自動標記系統 使用訓練好的模型來對新的圖像進行自動標註。

   import torch
   from PIL import Image
   import numpy as np
   import torchvision.transforms as transforms
   

加載模型

model = UNet(in_channels=3, out_channels=3) model.load_state_dict(torch.load(‘unet_model.pth’)) model.eval()

預處理圖片

transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.ToTensor(), ])

def auto_label(image_path): image = Image.open(image_path).convert(‘RGB’) image_tensor = transform(image).unsqueeze(0) # 增加 batch 維度

   with torch.no_grad():
       output = model(image_tensor)
   # 轉換輸出為標註圖像
   output = torch.argmax(output, dim=1).squeeze().cpu().numpy()

   return output

# 處理文件夾中的所有圖像

input_folder = ‘path_to_images’ output_folder = ‘path_to_output_labels’

for image_name in os.listdir(input_folder): image_path = os.path.join(input_folder, image_name) label = auto_label(image_path)

# 儲存自動生成的標註圖像
label_image = Image.fromarray(label.astype(np.uint8))  # 保存為圖片
label_image.save(os.path.join(output_folder, f'{image_name}_label.png'))