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
测试集的npz文件
1.2 检查模型权重文件
2、修改部分代码
2.1 修改dataset_synapse.py
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
cfg：swinUnet网络结构配置文件
test_save_dir：保存预测结果文件夹
num_classes：预测的目标类别数+1
自定义权重路径
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。
3、查看预测结果
查看日志文件
查看预测结果图
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
