***************************************************
码字不易，收藏之余，别忘了给我点个赞吧！
***************************************************
---------Start
官方代码：https://github.com/Beckschen/TransUNet
目的：训练5个类别的汽车部件分割任务（测试在另一篇博客中）
CSDN数据集免费下载
实现效果：
1. github下载代码，并解压。
项目里的文件可能跟你下载的不一样，不急后面会讲到！
2. 配置数据集（尽最大努力还原官方数据集的格式）。
通常自己手上的数据集分images和labels文件夹，分别存放着原始图像和对应的mask图像，如下图所示; mask图像中的像素有0,1,2,3,4 分别代表背景，车身，轮子，车灯，窗户，一共五个类别，所以这里显示全黑色，肉眼看不出差别！通过阅读官方读取数据的代码，我们需要将一张图像和其对应的标签合并转化成一个.npz文件.
官方数据集格式，data文件夹，Synapse文件夹，test_vol_h5文件夹，train_npz文件夹手动创建！
转化数据集的代码如下，会将images中的图像和labels中的标签生成一个.npz文件。
def npz():
#图像路径
path = r'G:\dataset\car-segmentation\train\images\*.png'
#项目中存放训练所用的npz文件路径
path2 = r'G:\dataset\Unet\TransUnet-ori\data\Synapse\train_npz\\'
for i,img_path in enumerate(glob.glob(path)):
#读入图像
image = cv2.imread(img_path)
image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
#读入标签
label_path = img_path.replace('images','labels')
label = cv2.imread(label_path,flags=0)
#保存npz
np.savez(path2+str(i),image=image,label=label)
print('------------',i)
# 加载npz文件
# data = np.load(r'G:\dataset\Unet\Swin-Unet-ori\data\Synapse\train_npz\0.npz', allow_pickle=True)
# image, label = data['image'], data['label']
print('ok')
生成的文件在 data\Synapse\train_npz文件夹中，如下图，也可以自己定义生成的路径，然后把文件复制到data\Synapse\train_npz文件中。
data\Synapse\train_npz文件夹中存放的是训练集样本，按照同样的方式生成测试集样本，存放在data\Synapse\test_vol_h5文件夹中。 我的训练集203个样本，测试集3个样本。npz文件生成完成之后，找到train.txt和test_vol.txt，手动将文件里面的内容清空，split_data.py这个文件直接无视。自己写一个函数读取train_npz中所有的文件名称，然后将文件名称写入train.txt文件，一个名称一行，如下图所示。同理可完成test_vol.txt文件制作。
至此，数据集制作完毕！！！代码会先去train.txt文件中读取训练样本的名称，然后根据名称再去train_npz文件夹下读取npz文件。所以每一步都很重要，必须正确！
3. 下载预训练权重
官方下载地址
CSDN下载地址[推荐]
进入网站后，点击imagenet21k文件夹。 下载这个权重文件即可。 手动创建如下多个文件夹，存放刚刚下载完毕的权重，注意名称跟我的保持一致！ 至此，预训练权重已下载完毕。
4. 修改读取文件的方法
找到datasets/dataset_synapse.py文件中的Synapse_dataset类，修改__getitem__函数。
def __getitem__(self, idx):
if self.split == "train":
slice_name = self.sample_list[idx].strip('\n')
data_path = self.data_dir+"/"+slice_name+'.npz'
data = np.load(data_path)
image, label = data['image'], data['label']
else:
slice_name = self.sample_list[idx].strip('\n')
data_path = self.data_dir+"/"+slice_name+'.npz'
data = np.load(data_path)
image, label = data['image'], data['label']
image = torch.from_numpy(image.astype(np.float32))
image = image.permute(2,0,1)
label = torch.from_numpy(label.astype(np.float32))
sample = {'image': image, 'label': label}
if self.transform:
sample = self.transform(sample)
sample['case_name'] = self.sample_list[idx].strip('\n')
return sample
找到datasets/dataset_synapse.py文件中的RandomGenerator类，修改__call__函数。
def __call__(self, sample):
image, label = sample['image'], sample['label']
if random.random() > 0.5:
image, label = random_rot_flip(image, label)
elif random.random() > 0.5:
image, label = random_rotate(image, label)
x, y,_ = image.shape
if x != self.output_size[0] or y != self.output_size[1]:
image = zoom(image, (self.output_size[0] / x, self.output_size[1] / y,1), order=3) # why not 3?
label = zoom(label, (self.output_size[0] / x, self.output_size[1] / y), order=0)
image = torch.from_numpy(image.astype(np.float32))
image = image.permute(2,0,1)
label = torch.from_numpy(label.astype(np.float32))
sample = {'image': image, 'label': label.long()}
return sample
至此，数据读取的部分已经修改完毕！
5. 配置训练参数
认真检查各个参数是否正确，这里的路径都是 ‘./’(当前目录下)，不是"…/"，训练时，batch_size通常大于1，我这里设置有误！类别数可根据你的任务定！
图片大小设置，越大越耗显存。
6. 修改trainer.py文件
设置trainer.py文件中的DataLoader函数中的num_workers=0
至此，所有代码修改完毕！
总结：以上修改内容针对彩色图像的分割任务， 由于仅文字表述某些操作存在局限性，故只能简略应答，有任何问题可下方留言评论。
推荐阅读
您阅读本篇文章共花了：
发表评论