TransUnet官方代码训练自己数据集（彩色RGB3通道图像的分割）
***************************************************
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npznp.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.shapeif 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。
TransUnet官方代码训练自己数据集（彩色RGB3通道图像的分割）相关推荐
- SwinUnet官方代码训练自己数据集（单通道灰度图像的分割）
*************************************************** 码字不易,收藏之余,别忘了给我点个赞吧! *************************** ...
- HImage转换为Bitmap的终极解决方案（C#）彩色三通道图像
HImage转换为Bitmap的终极解决方案(C#)彩色三通道图像 时隔一年多,终于把这个问题解决掉了.现在回头看,这个问题其实并不复杂,当初处理不了,完全是因为缺乏经验,多看多写,可能就会在处理其他 ...
- 使用pytorch版faster-rcnn训练自己数据集
使用pytorch版faster-rcnn训练自己数据集 引言 faster-rcnn pytorch代码下载 训练自己数据集 接下来工作 参考文献 引言 最近在复现目标检测代码(师兄强烈推荐FPN, ...
- 视频教程-DeepLabv3+图像语义分割实战：训练自己的数据集-计算机视觉
DeepLabv3+图像语义分割实战:训练自己的数据集 大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多项 ...
- 汇总 | 深度学习中图像语义分割基准数据集详解
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 汇总图像语义分割那些质量最好的数据集与常用benchmark数据集 ...
- Pytorch：图像语义分割-FCN, U-Net, SegNet, 预训练网络
Pytorch: 图像语义分割-FCN, U-Net, SegNet, 预训练网络 Copyright: Jingmin Wei, Pattern Recognition and Intelligen ...
- yolov5篇---官方代码docker部署训练
yolov5训练自己的数据集(docker) yolov5官方代码: 选择 tag v5.0 https://github.com/ultralytics/yolov5 训练方式可参照另一篇博客 ht ...
- U2Net、U2NetP分割模型训练---自定义dataset、训练代码训练自己的数据集
前言 博客很久没有更新了,今天就来更新一篇博客吧,哈哈: 最近在做图像分割相关的任务,因此,写这么一篇博客来简单实现一下分割是怎么做的,内容简单,枯燥,需要耐心看,哈哈: 博客的内容相对简单,比较适合 ...
- 革命性提升-宇宙最强的NLP预训练BERT模型（附官方代码）
编辑 忆臻 公众号 | 机器学习算法与自然语言处理 yizhennotes 1. Bert官方源码公开 终于是千呼万唤始出来,Google AI 发表于10月中旬的论文: <BERT: Pre ...
最新文章
- String和int 转换
- 分享Kali Linux 2016.2第45周VMware虚拟机
- 欧洲的数据中心与美国的数据中心如何区分？
- 阿里技术：基于Kafka+Flink+Redis的电商大屏实时计算案例
- mysql操作 begin 命令_MySQL基础操作
- Java SSM 项目实战 day02 功能介绍，SSM整合，数据库和IDEA的maven工程搭建，产品信息查询和添加
- 【Oracle】交差并补
- 第三阶段应用层——1.9 数码相册—在LCD上显示BMP图片
- 【校招 --阶段一 操作系统基础】进程地址空间
- attribute和property的区别 (转载)
- GTA5最新线上小助手
- 大数据的预测实力，这15个有趣的数据集，你可能闻所未闻
- CSS基础之 背景属性设置
- storm和vgj vgj_Team VGJ发布公告解散 两年征程划上句号
- Springboot与国际化（i18n）
- AntV G2 饼图
- mysql属于dql语句的是_4.MySql中的SQL语句（三）:DQL
- （三）Druid数据库连接池如何回收线程源码分析和高级参数优化
- 重装系统后的QQ聊天记录恢复方法与教程
- Python：Opencv开发手册