【图像分割】【深度学习】Windows10下UNet代码Pytorch实现与源码讲解

【图像分割】【深度学习】Windows10下UNet代码Pytorch实现与源码讲解

提示:最近开始在【医学图像分割】方面进行研究,记录相关知识点,分享学习中遇到的问题已经解决的方法。

前言

UNet是由德国弗赖堡大学的Olaf Ronneberger等人在《U-Net: Convolutional Networks for Biomedical Image Segmentation【MICCAI-2015】》【论文地址】一文中提出的U型编码和解码模型，即一个用于捕获上下文的收缩路径(编码器，下采样)和一个支持精确定位的对称扩展路径(解码器，上采样)，并通过跳跃连接操作更好的融合浅层的位置信息和深层的语义信息。
在详细解析PFNet网络之前，首要任务是搭建UNet【Pytorch-demo地址】所需的运行环境，并完成模型训练和测试工作，展开后续工作才有意义。
【数据预处理模块解析】

UNet模型运行环境搭建

• 查看主机支持的cuda版本(最高)

  # 打开cmd,执行下面的指令查看CUDA版本号
  nvidia-smi
  

  

• 安装GPU版本的torch【官网】
  博主的cuda版本是12.2，但这里cuda版本最高也是12.1，博主选的11.8也没问题。
  其他cuda版本的torch在【以前版本】找对应的安装命令。

• 博主安装环境参考

  # 创建虚拟环境
  conda create -n UNet python=3.9
  # 查看新环境是否安装成功
  conda env list
  # 激活环境
  activate UNet
  # 分别安装pytorch和torchvision
  pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
  # 查看所有安装的包
  pip list
  conda list
  

  

UNet模型运行

数据集与模型权重下载

将下载好的训练集解压并拷贝到当前工程目录下(建议)

将下载好的预训练权重(训练好的)best_model.pth拷贝到save_weights目录下(建议)。

PFNet训练与测试

1. 训练：可以直接运行train.py，也可以根据硬件条件修改代码中部分训练参数epochs和batch-size修改训练次数和训练的batchsize等，详细的代码内容将在后续博文中介绍。
   
   正在训练，训练权重保存在save_weights目录下：
   

2. 测试：可以直接运行predict.py，也可以根据任务需求修改代码中部分变量img_path和roi_mask_path等，选择测试的图片。
   

   对于DRIVE数据集img_path和roi_mask_path必须同时给定且一一对应，其他数据集以及个人数据集的训练和测试，博主会在后续的内容中给出修改后的代码。

   测试结果保存为当前工程目录下的test_result.png，可以对比查看效果：
   

总结

尽可能简单、详细的介绍了UNet的安装流程以及UNet的使用方法。后续会根据自己学到的知识结合个人理解讲解UNet的原理和代码。