文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

【swinUnet官方代码测试自己的数据集(已训练完毕)】

2023-09-07 15:51

关注

首先参考上一篇的训练过程,因为测试需要用到训练获得的权重。

1、检查相关文件

1.1 检查test_vol.txt的内容是否是测试用的npz文件名称

在这里插入图片描述
测试集的npz文件
在这里插入图片描述

1.2 检查模型权重文件

在这里插入图片描述

2、修改部分代码

2.1 修改dataset_synapse.py

在这里插入图片描述

            slice_name = self.sample_list[idx].strip('\n')            data_path = os.path.join(self.data_dir, slice_name+'.npz')            data = np.load(data_path)            image, label = data['image'], data['label']            #改,numpy转tensor            image = torch.from_numpy(image.astype(np.float32))            image = image.permute(2,0,1)            label = torch.from_numpy(label.astype(np.float32))

2.2 修改test.py代码

修改相关参数和文件路径
is_savenii:是否保存预测结果图片
num_classes:预测的目标类别数+1
在这里插入图片描述
cfg:swinUnet网络结构配置文件
test_save_dir:保存预测结果文件夹
在这里插入图片描述
num_classes:预测的目标类别数+1
在这里插入图片描述
自定义权重路径
在这里插入图片描述

2.3 修改util.py代码(分两种情况)

第一种情况:保存预测原图,保存的结果是一张灰度图,每个像素的值代表该像素属于哪个类别。例如(0:背景,1:目标1,2:目标2…),这是一张全黑图。

def test_single_volume(image, label, net, classes, patch_size=[256, 256], test_save_path=None, case=None, z_spacing=1):    image, label = image.squeeze(0).cpu().detach().numpy(), label.squeeze(0).cpu().detach().numpy()    _, x, y = image.shape    # 缩放图像符合网络输入大小224x224    if x != patch_size[0] or y != patch_size[1]:        image = zoom(image, (1, patch_size[0] / x, patch_size[1] / y), order=3)    input = torch.from_numpy(image).unsqueeze(0).float().cuda()    net.eval()    with torch.no_grad():        out = torch.argmax(torch.softmax(net(input), dim=1), dim=1).squeeze(0)        out = out.cpu().detach().numpy()        # 缩放预测结果图像同原始图像大小        if x != patch_size[0] or y != patch_size[1]:            prediction = zoom(out, (x / patch_size[0], y / patch_size[1]), order=0)        else:            prediction = out    metric_list = []    for i in range(1, classes):        metric_list.append(calculate_metric_percase(prediction == i, label == i))    if test_save_path is not None:        #保存预测结果        prediction = Image.fromarray(np.uint8(prediction)).convert('L')        prediction.save(test_save_path + '/' + case + '.png')    return metric_list

第二种情况:保存可见图像,将不同类别映射成不同的颜色。只需要将上面代码的if test_save_path is not None:里面的内容替换成下面的代码即可。

        #将不同类别区域呈彩色展示        #2分类 背景为黑色,类别1为绿色    if test_save_path is not None:        a1 = copy.deepcopy(prediction)        a2 = copy.deepcopy(prediction)        a3 = copy.deepcopy(prediction)        #r通道        a1[a1 == 1] = 0#g通道        a2[a2 == 1] = 255#b通道        a3[a3 == 1] = 0        a1 = Image.fromarray(np.uint8(a1)).convert('L')        a2 = Image.fromarray(np.uint8(a2)).convert('L')        a3 = Image.fromarray(np.uint8(a3)).convert('L')        prediction = Image.merge('RGB', [a1, a2, a3])        prediction.save(test_save_path+'/'+case+'.png')

至此,设置完毕,右键run运行,若控制台出现下面的结果,则表示运行正确,我这里的权重只训练了一个epoch,所以预测的都是0。
在这里插入图片描述

3、查看预测结果

查看日志文件
在这里插入图片描述
查看预测结果图
在这里插入图片描述

总结: swinUnet主要由swin_transform模块构成,数据量太少的时候训练效果很差,跟TransUnet不能比。由于仅文字表述某些操作存在局限性,故只能简略描述,有任何疑问可下方留言评论或私信,回复不及还望见谅,感激不尽!

来源地址:https://blog.csdn.net/qq_37652891/article/details/123938713

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯