FCN和Unet代码跑通

已于 2023-04-02 10:17:17 修改
阅读量673 收藏 5
点赞数
分类专栏： 语义分割--b导 文章标签： 学习 python 计算机视觉
于 2023-03-16 11:04:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_62583559/article/details/128993023
版权

FCN

1拉取代码

在这里插入图片描述
我的评价是直接把仓库拉取到/content
然后把对应的文件夹fcn放到mydrive里

2拉取数据集

这是代码仓库的数据集链接
在这里插入图片描述
我们使用下面方法下载数据集

!wget -P 路径 网址

然后我们解压tar包（时间可能会很长）：

!tar -xf VOCtrainval_11-May-2012.tar

解压后可以看到
在这里插入图片描述

VOCdevkit
    └── VOC2012
         ├── Annotations               所有的图像标注信息(XML文件)
         ├── ImageSets    
         │   ├── Action                人的行为动作图像信息
         │   ├── Layout                人的各个部位图像信息
         │   │
         │   ├── Main                  目标检测分类图像信息
         │   │     ├── train.txt       训练集(5717)
         │   │     ├── val.txt         验证集(5823)
         │   │     └── trainval.txt    训练集+验证集(11540)
         │   │
         │   └── Segmentation          目标分割图像信息
         │         ├── train.txt       训练集(1464)
         │         ├── val.txt         验证集(1449)
         │         └── trainval.txt    训练集+验证集(2913)
         │ 
         ├── JPEGImages                所有图像文件
         ├── SegmentationClass         语义分割png图（基于类别）
         └── SegmentationObject        实例分割png图（基于目标）

解压完成后，将train.py下数据集的路径设置为你下载的位置
在这里插入图片描述

3下载预训练权重

train.py代码里的
在这里插入图片描述

这里也给出了下载链接
在这里插入图片描述
我们继续使用wget将权重下载到和train.py同级的文件夹下
在这里插入图片描述
记得改名噢。

4 训练

!python train.py

训练一轮结果：
在这里插入图片描述
训练结果自动保存到txt
在这里插入图片描述
这里是训练完保存的pth（0代表epoch：0）
在这里插入图片描述

5预测

在predict.py里将路径改为刚才训练出来的.pth文件
在这里插入图片描述
放入一张图片当测试图片
在这里插入图片描述

看结果：请添加图片描述

在这里插入图片描述

Unet（2d）

unet是对生物医学影像领域

1拉取代码（参考fcn）

2获取数据集

b导给的百度云链接下载后，再放到google drive吧。数据集不大，不一会儿就下完了。将下载好的DRIVE文件夹放到unet文件夹下在这里插入图片描述
因为data-path默认路径为./
在这里插入图片描述

数据集（20个眼球）目录：
在这里插入图片描述

关于mask里的
在这里插入图片描述
指的是白色以外的区域不用管。
而manual（手动的）文件夹下是人工分割好的图片
在这里插入图片描述

3训练

不需要预训练权重，训练脚本和fcn的差不多。

!python train.py

训练了大概70轮， mean IoU达到80
在这里插入图片描述
训练完保存的pth：
在这里插入图片描述

4预测

在predict.py下在这里插入图片描述
预测数据直接是test里的。
预测完会生成一张图片
在这里插入图片描述

脑血管分割数据集

.mha后缀的文件打开需要3d slicer
3d slicer官网支持macOS系统。

直接将.mha文件拖到3d slicer就能看了

3d slicer

下一步思路从这个软件学习一下3d影像数据3dslicer教程

3d unet

3d图像分割思路总结

3d-unet的实现，想试试这篇文章。

代码地址

1拉取代码到google drive

在这里插入图片描述

2下载数据集

两种方法，但第一种好像行不通。
在这里插入图片描述
这篇文章使用的是这个：lits2017肝脏肿瘤数据集
数据是nii格式的
推荐的下载完的文件划分格式。

raw_dataset:
    ├── test  # 20 samples(27~46) 
    │   ├── ct
    │   │   ├── volume-27.nii
    │   │   ├── volume-28.nii
    |   |   |—— ...
    │   └── label
    │       ├── segmentation-27.nii
    │       ├── segmentation-28.nii
    |       |—— ...
    │       
    ├── train # 111 samples(0\~26 and 47\~131)
    │   ├── ct
    │   │   ├── volume-0.nii
    │   │   ├── volume-1.nii
    |   |   |—— ...
    │   └── label
    │       ├── segmentation-0.nii
    │       ├── segmentation-1.nii
    |       |—— ...

label文件夹里的segmentation-0.nii:
在这里插入图片描述
文件太大了，只用28-60.但也有5g这么多呢。
那test放28-35.train放36-60吧。
然后我们上传到google drive。

3导入必须的包

pytorch >= 1.1.0
torchvision
SimpleITK
Tensorboard
Scipy

使用

!pip install ...

在这里插入图片描述
在这里插入图片描述

4 数据预处理

然后在 preprocess_LiTS.py文件中118行更改预处理输入、输出目录：

if __name__ == '__main__':
    raw_dataset_path = '/content/drive/MyDrive/raw_dataset/train' # 输入数据集路径
    fixed_dataset_path = './fixed_data/' # 预处理后的数据集的输出路径

在这里插入图片描述
可见我们使用了25个nii文件。从36-60.

这是生成的文件夹
在这里插入图片描述

5模型训练

首先在 config.py中修改超参数–dataset_path为我们预处理后的数据根目录
在这里插入图片描述
使用这个训练

!python train.py --save model_name

发现报错1

在这里插入图片描述
错误定位
在这里插入图片描述
在这里插入图片描述
解决办法
应该是colab就提供了一个gpu，而程序默认用两个。

发现报错2

在这里插入图片描述
报错原因
大概意思是分类类别num_classes不对。

看config里这个，而我们用的是肝脏肿瘤数据集，所以应该改成3吧。
在这里插入图片描述
不对！

然后我从那个github看issue
发现和我的报错一样
在这里插入图片描述
按照它的改了以后果然成功了！！！

实验结果：pth在里面
在这里插入图片描述

6预测

上文提到test的时候还得把参数改回来。
在这里插入图片描述
把test_data路径改一下
在这里插入图片描述

!python test.py --save model_name

报错：
在这里插入图片描述

小甜瓜zzw
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
百度图像分割7日打卡训练营学习笔记——UNetPython代码实现（基于paddelpaddel）
nidebohetang的博客
10-25 414
U-Net网络框架 U-Net原理图 U-Net与FCN一样，都是采用Encoder加Decoder来实现图像分割。与FCN不同的是U-Net结合了很多浅层的信息，对于不同尺度物体分割效果要好些。 U-Net网络结构 网络结构如上图所示，从左到右分别为Encoder层、中间层和Decoder层。 Encoder层包括四个Encoder，每个Encoder都包括两个卷积层，然后pooling下采样作为下一层网络输入； 中间层包含两个卷积； Decoder层包含四个Decoder，每个Decoder对输入先
颅内血管分割随笔
啊哦的博客
08-10 1259
这次分割的颅内血管数据是nii格式的三维数据，由于只有20套，所以打算切片再用简单的unet分割。途中遇到很多问题，简单记录一下~ 数据处理 nii格式的文件读取专用库之一： import nibabel as nib img = nib.load(filename).get_fdata() 这样就能获取nii文件的三维数据内容了。但是获取到的三维数组内容是0-3000多的CT值，如果保存为png图片则要转换成0-255的uint8格式的数据则需要进行加窗。当选取窗位900，窗宽1200时比较适合。因此所
u-net 实现(keras)
04-17
利用keras实现u-net这样一个全卷积神经网络，进行图像分割
各种用于图像分割的Unet模型的实现-Unet，RCNN-Unet，Attention Unet，RCNN-Attention Unet，嵌套Unet-Python开发
05-25
各种Unet模型用于图像分割的实现-Unet，RCNN-Unet，注意力Unet，RCNN-Attention Unet，嵌套式Unet细分Unet细分-Pytorch-Nest-of-Unets各种Unet模型用于图像分割的实现UNet- U-Net：用于生物医学图像分割的卷积网络https://arxiv.org/abs/1505.04597 RCNN-UNet-基于U-Net的递归残差卷积神经网络（R2U-Net）用于医学图像分割https：// arxiv。 org / abs / 1802.06955 Attention Unet-Attention U-Net：学习在哪里寻找胰腺https://arxiv.org/abs/1804.03999 RCNN-Attentio
【语义分割实战（1）】U-Net语义分割：训练自己的数据集
最新发布
m0_51579041的博客
03-31 1765
【语义分割实战（1）】U-Net语义分割：训练自己的数据集
UNet - 实现模型的训练与预测 - 入门1
qq_52589927的博客
07-09 1371
本篇文章，是讲如何在服务器上跑 unet 模型，正文中会放许多跳转链接，都是有一定参考价值的。
FCN_搭建fcn网络_fcn代码实现_fcn_
10-04
fcn模型的搭建代码，可以根据这个代码实现fcn的搭建以及训练，测试
tensorflow实现FCN_源代码
05-08
tensorflow实现FCN_源代码，可以在自己的电脑上跑程序
FCN全卷积网络源代码
09-23
FCN源代码，这个代码非常适合配合FCN论文进行学习，适合初学者阅读学习深度学习网络构建框架。
fcn全卷积网络代码
11-23
多了一个全连接层,也就是在VGG的第五层加上三层全连接,其中前五层的Weight和Bias直接用VGG的参数当做初始值(迁移学习),后面三层参数高斯初始化设置. 然后使用三层"反卷积"接在第八层之后,这里的参数都是使用高斯初始...
github复现FCN的，相关代码.zip
05-09
多分类，FCN代码，cuda8.0、cudnn5.1、TensorFlow1.4.0,资源包含了对github代码的修改
VOC数据集，盘镜像网址，下载更快
04-13
内包含VOCtest_06-Nov-2007，VOCtrainval_06-Nov-2007，VOCtrainval_11-May-2012
图像分割之Unet解析及实现代码
热门推荐
Jkway
12-06 2万+
Unet网络并不难理解，用简短的文字和图片去理解unet网络的思想，以及代码复现。
Unet代码实战
m0_63462829的博客
02-21 1089
unet是一个语义分割模型，执行过程大体上也是先进行下采样再进行上采样，首先利用卷积进行下采样，提取多个不同下采样阶段的特征，然后再进行上采样，不同阶段的上采样与同一大小的特征图结合，最后得出种类图像。模型的输入模型的输出。
图像分割模型-Unet及代码
m0_63077499的博客
09-28 4122
图像分割模型-Unet及代码
《图像分割Unet网络分析及其Pytorch版本代码实现》
qq_50857357的博客
10-06 5803
分割网络Unet分析和Pytorch代码实现
【语义分割】unet结构和代码实现
weixin_40293999的博客
03-19 6564
Unet是2015年诞生的模型，它几乎是当segmentation项目中应用最广的模型。Unet已经成为大多做医疗影像语义分割任务的最基础的网络结构。也启发了大量研究者去思考U型语义分割网络。即使在自然影像理解方面，也有越来越多的语义分割和目标检测模型开始关注和使用U型结构Unet能从更少的训练图像中进行学习。当它在少于 40 张图的生物医学数据集上训练时，IOU 值仍能达到 92%。语义分割训练的过程很慢，因为对每一个像素分类的原因。earily stop 是必须使用的。
一些分割数据集整理
lanbeng0688的博客
03-27 9056
1、BSDS300 ---- BSDS500berkeley segmentation dataset and benchmarkBSDS300 包含300张分割好的灰度和颜色分割结果，分为训练集200张，测试集100张。BSDS500 包含原300张作为training/val图像和200fresh images，共500张图像。The goal of this work is to provi...
使用3D Slicer进行颅骨去除
weixin_30701575的博客
03-14 1658
关于3D Slicer的下载、安装及模块安装在上一篇博客中以及介绍过，以下将专注于使用3D Slicer进行颅骨去除 准备 此次，我们需要安装SwissSkullStripper模块，安装后需要重启软件才能使用该模块 使用SwissSkullStripper模块，如图划线部分，点击Help，会出现蓝色链接，点击可进入官网 在官网界面，我们可以看到两个下载链接，这两个图谱文件（atlas imag...
unet代码
06-01
这里提供一个简单的UNet代码示例，用于图像分割任务： ```python import torch import torch.nn as nn import torch.nn.functional as F class DoubleConv(nn.Module): def __init__(self, in_channels, out_channels): super(DoubleConv, self).__init__() self.conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, 3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, 3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.conv(x) class UNet(nn.Module): def __init__(self, in_channels=3, out_channels=1, features=[64, 128, 256, 512]): super(UNet, self).__init__() self.ups = nn.ModuleList() self.downs = nn.ModuleList() self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # Down part of UNet for feature in features: self.downs.append(DoubleConv(in_channels, feature)) in_channels = feature # Up part of UNet for feature in reversed(features): self.ups.append(nn.ConvTranspose2d(feature*2, feature, kernel_size=2, stride=2)) self.ups.append(DoubleConv(feature*2, feature)) self.bottleneck = DoubleConv(features[-1], features[-1]*2) self.final_conv = nn.Conv2d(features[0], out_channels, kernel_size=1) def forward(self, x): skip_connections = [] for down in self.downs: x = down(x) skip_connections.append(x) x = self.pool(x) x = self.bottleneck(x) skip_connections = skip_connections[::-1] for idx in range(0, len(self.ups), 2): x = self.ups[idx](x) skip_connection = skip_connections[idx//2] if x.shape != skip_connection.shape: x = F.interpolate(x, size=skip_connection.shape[2:], mode='bilinear', align_corners=True) concat_skip = torch.cat((skip_connection, x), dim=1) x = self.ups[idx+1](concat_skip) return self.final_conv(x) ``` 这里的代码实现了一个简单的UNet模型，其中包含了双卷积层和上采样层，用于图像分割任务。在构建模型时，可以根据任务需要自行修改输入、输出通道数以及特征层数组`features`。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值