pytorch-gpu环境配置

安装pytorch-gpu

1、在线安装
（已配置CUDA11.3，Cudnn8.0，Anaconda新建环境Python=3.9）
进入官网

//配置清华源
http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud//pytorch/win-64
http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64
http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64
//去掉-c pytorch，使用清华源进行下载安装
conda install pytorch torchvision torchaudio cudatoolkit=11.3

2、离线安装
首先查询需要安装的各版本对应情况

我安装的是torch = 1.10.0，torchvision= 0.11.1， torchaudio = 0.10.0
下载对应的文件（注意如果要安装gpu版本的pytorch，请选择标注了cuda版本的文件并保证cuda与torch的版本对应）下载地址

其中cu113表示对应的是cuda11.3版本

下载完成后将文件放在对应的 lib/site-packages文件夹下，开始安装：

验证安装是否成功

//进入Python3.9环境
import torch
torch.__version__  # 查看torch版本
torch.cuda.is_available()  # 查看gpu是否可用（返回true表示pytorch-gpu安装成功）

若输出结果如下，则安装成功：

数据预处理

下载BraTS19数据集
将三维数据转换为二维数据（自行选择如何切分训练集和测试集），并保存至文件夹中

def read_img(img_path):return sitk.GetArrayFromImage(sitk.ReadImage(img_path))if __name__ == '__main__':flair_train = glob.glob(r'F:/MICCAI_BraTS_2019_Data_Training/MICCAI_BraTS_2019_Data_Training/HGG/*/*flair.nii.gz')seg_train = glob.glob(r'F:/MICCAI_BraTS_2019_Data_Training/MICCAI_BraTS_2019_Data_Training/HGG/*/*seg.nii.gz')flair_test = glob.glob(r'F:/MICCAI_BraTS_2019_Data_Training/MICCAI_BraTS_2019_Data_Training/*/*flair.nii.gz')seg_test = glob.glob(r'F:/MICCAI_BraTS_2019_Data_Training/MICCAI_BraTS_2019_Data_Training/*/*seg.nii.gz')print('begin')for i in range(len(flair_train)):print(i)img1 = (read_img(flair_train[i])[100]).astype(np.uint8)img2 = (read_img(seg_train[i])[100]).astype(np.uint8)dir = 'data/train/'filename1 = dir + format(str(i), '0>3s') + '.png'plt.imshow(img1)plt.axis('off')plt.savefig(filename1, bbox_inches='tight',pad_inches=0)filename2 = dir + format(str(i), '0>3s') + '_mask.png'plt.imshow(img2)plt.axis('off')plt.savefig(filename2, bbox_inches='tight',pad_inches=0)print('over')

训练模型

def train_model(model, criterion, optimizer, dataload, num_epochs=20):for epoch in range(num_epochs):print('Epoch {}/{}'.format(epoch, num_epochs - 1))print('-' * 10)dt_size = len(dataload.dataset)epoch_loss = 0step = 0for x, y in dataload:step += 1inputs = x.to(device)labels = y.to(device)# zero the parameter gradientsoptimizer.zero_grad()# forwardoutputs = model(inputs)labels = labels[:,0,:,:]print(labels.shape)loss = criterion(outputs, labels)loss.backward()optimizer.step()epoch_loss += loss.item()print("%d/%d,train_loss:%0.3f" % (step, (dt_size - 1) // dataload.batch_size + 1, loss.item()))# # 可视化# writer = SummaryWriter(log_dir='logs', flush_secs=60)# writer.add_scalar('Train_loss', loss, epoch)torch.save(model.state_dict(), 'weights_%d.pth' % epoch)return model# 训练模型
def train():model = Unet(3, 1).to(device)batch_size = args.batch_sizecriterion = torch.nn.BCELoss()optimizer = optim.Adam(model.parameters())liver_dataset = LiverDataset("data/train", transform=x_transforms, target_transform=y_transforms)dataloaders = DataLoader(liver_dataset, batch_size=batch_size, shuffle=True, num_workers=4)# print(dataloaders)train_model(model, criterion, optimizer, dataloaders)

测试并显示结果

def test():model = Unet(3, 1)model.load_state_dict(torch.load(args.ckp, map_location='cpu'))liver_dataset = LiverDataset("data/val", transform=x_transforms, target_transform=y_transforms)dataloaders = DataLoader(liver_dataset, batch_size=1)model.eval()# plt.ion()with torch.no_grad():for x, true_y in dataloaders:y = model(x)img_y = torch.squeeze(y).numpy()x = tensor_to_PIL(x)true_y = tensor_to_PIL(true_y)plt.figure()plt.subplot(1, 3, 1)plt.imshow(x)plt.subplot(1, 3, 2)plt.imshow(img_y)plt.subplot(1, 3, 3)plt.imshow(true_y)plt.pause(0.1)plt.show()

完整代码

链接：https://pan.baidu.com/s/15odtjD6HGdBcPl7YBPiw2Q
提取码：ky78

医学图像分割UNet相关推荐

医学图像分割 | U-Net网络及他的变体
点击上方"AI算法修炼营",选择"星标"公众号精选作品,第一时间送达今天来简单归纳一下,医学图像分割的内容,还有很多代表性的工作在之后的文章中不断更新,由于 ...
医学图像分割——U-Net解读与个人笔记
最近开始尝试医疗影像分割的任务,先从之前的Unet开始阅读,记录一部分笔记以供回顾. 论文地址:http://www.arxiv.org/pdf/1505.04597.pdf 摘要作者提出了一个相对 ...
医学图像分割 unet实现(一)
这次实验用来学习unet网络实现图像分割(keras, backend: tensorflow). 数据集DRIVE:为眼部图像,目的是分割出眼部血管. 数据集结构: 上面分别是训练的原始图片imag ...
医学图像分割基于深度学习的肝脏肿瘤分割实战(一）
在之前的一篇博客里:医学图像分割 unet实现(一),是学习并复现别人的实验.这篇将记录下自己毕设第一阶段的实验.毕设题目为:基于深度学习的肝脏肿瘤分割. 经过几番调整,最终确定:第一阶段分割出腹部图 ...
基于U-Net系列算法的医学图像分割（课程设计）
基于U-Net系列算法的医学图像分割(课程设计) 参考论文:包括U_Net/R2U_Net/AttU_Net/R2AttU_Net,如下图所示: 基于Pytorch的代码和数据集下载地址:下载地址运 ...
Unet神经网络为什么会在医学图像分割表现好？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达问题:Unet神经网络为什么会在医学图像分割表现好? https: ...
FCN、Unet、Unet++：医学图像分割网络一览
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达作者丨Error@知乎来源丨https://zhuanlan.z ...
基于深度学习的医学图像分割学习笔记（九）UNet 3+
UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation 原文链接代码 dateset:131例腹部增强CT(3D)用于 ...
医学图像分割基石-UNet
医学图像分割基石-UNet 一医学图像分割 1.1 处理对象 1.2 应用方向 1.3 应用场景 1.4 应用思路 1.5 主要存在难点二 U-Net成果及意义三 U-Net摘要四引言 4. ...

医学图像分割UNet

UNet图像分割