U-Net网络跑自己的数据集注意事项

1. 数据集图片大小问题

U-Net是经过几次下采样，再经过几次上采样恢复到原来的大小，因此需要数据集图片经过几次下采样后，不为奇数，否则可能会在网络结构那里报错，输入输出不对应。
解决办法：第一种方法是resize为特定大小，但这样图片改变了，可能效果不好；另一种方法是将图片进行裁剪，这样保留了IOU区域的原始大小。

2. 对于训练结果全黑或全白的情况

可能的原因有几个：

1. 损失函数选择不对，交叉熵损失函数可能不适用于这种IOU区域和背景区域面积相差较大的情况，可以改用为focal loss、dice loss或Tversky loss等图像分割常用的loss。
2. 训练集样本太少，之前仅采用40张图片进行训练，效果出不来；
3. 训练迭代次数太少，之前仅训练10个epoch，也是没有效果，后来增加至30，50；
4. 训练学习率太大了，之前是10e-4，后来改为了10e-6；
   另外，训练的batch_size越大越好，这样越具有代表性；卷积核大小也可以调整。

3. 对于数据集中图片读取时顺序为0,1,10,100…的情况

可以用下面的程序解决，按照0,1,2…顺序进行排列

imgs.sort(key=lambda x: int(x.replace("..\\test\\","").split('.')[0]))	# 按照数字进行排序后按顺序读取文件夹下的图片

其中，"…\test\"为图像文件夹的路径

4. 对于结果为灰色（不为黑白）

一般情况是因为还没有完全拟合，可以考虑将epoch增大