SwinUnet官方代码训练自己数据集

胖子工作室

已于 2022-12-15 07:19:34 修改

阅读量3.3k

点赞数

分类专栏：深度学习文章标签：深度学习计算机视觉

于 2022-08-13 21:28:04 首次发布

本文链接：https://blog.csdn.net/zhouzongzong/article/details/126324334

版权

深度学习专栏收录该内容

58 篇文章 73 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文档详细介绍了如何使用SwinUnet官方代码训练自己的数据集，涵盖了从数据标注到模型训练的全过程。首先使用labelme进行数据标注，并通过npzrun.py生成训练文件。接着，创建txt文件以准备训练和测试数据。然后，下载预训练权重并放置于指定文件夹。在train.py、dataset_synapse.py和trainer.py中调整参数以适应自定义数据。完成这些步骤后，可以开始训练，得到训练结果。

摘要由CSDN通过智能技术生成

SwinUnet官方代码训练自己数据集训练流程参考（单通道灰度图像的分割）：
https://blog.csdn.net/qq_37652891/article/details/123932772
在这里插入图片描述
1、数据标注利用labelme，放在以下文件夹中之后利用npzrun.py进行训练文件生成
转换代码：（根据自己数据的位置修改下路径）,若是只有背景+目标两个类别，这个代码可以直接用，若是三个及以上类别的分割，代码应该根据你的图像数据做调整，调整之后保证以下代码的label数组中，背景用0像素，目标用1,2,3,4…像素分别表示，一个像素值代表一种类别。例如（0：背景，1：类别1，2：类别2，3：类别3…）
以下代码是彩色图片转化代码，根据需求进行更改

import glob
import cv2
import numpy as np
def npz():
    #原图像路径
    path = r'E:\Swin-Unet-main\datasets\images\*.jpg'
    #项目中存放训练所用的npz文件路径
    path2 = r'E:\Swin-Unet-main\data\Synapse\test_vol_h5\\'
    for i,img_p