简单测评笔记本：thinkbook16p RTX3060标配模型是一个encoder-decorder结构的FCN，跑的小数据集, 用的tensorflow同样的数据和模型参数，我们来看看在两块GPU上的表现如何吧：1、本地 RTX3060 6G (残血版，105w?）:2、Google Colab 分配的免费GPU：【结果】除了第一个epoch速度不太稳定可以忽略：本地RTX3060：8s /e

简单测评笔记本：thinkbook16p RTX3060标配模型是一个encoder-decorder结构的FCN，跑的小数据集, 用的tensorflow同样的数据和模型参数，我们来看看在两块GPU上的表现如何吧：1、本地 RTX3060 6G (残血版，105w?）:2、Google Colab 分配的免费GPU：【结果】除了第一个epoch速度不太稳定可以忽略：本地RTX3060：8s /e

简单测评笔记本：thinkbook16p RTX3060标配模型是一个encoder-decorder结构的FCN，跑的小数据集, 用的tensorflow同样的数据和模型参数，我们来看看在两块GPU上的表现如何吧：1、本地 RTX3060 6G (残血版，105w?）:2、Google Colab 分配的免费GPU：【结果】除了第一个epoch速度不太稳定可以忽略：本地RTX3060：8s /e

【！！确保运行的环境中已安装labelme】首先通过labelme我们已经得到了一些json文件，我们可以将所有要处理的json文件放入一个文件夹中接下来的思路是：1、创建文件夹：json: 存放labelme得到的所有.json文件process: 存放json文件转换得到的文件（一个json文件对应一个文件夹）mask: 存放json文件对应的mask(.png文件）img: 存放json文件

简单测评笔记本：thinkbook16p RTX3060标配模型是一个encoder-decorder结构的FCN，跑的小数据集, 用的tensorflow同样的数据和模型参数，我们来看看在两块GPU上的表现如何吧：1、本地 RTX3060 6G (残血版，105w?）:2、Google Colab 分配的免费GPU：【结果】除了第一个epoch速度不太稳定可以忽略：本地RTX3060：8s /e