DeepLung 项目使用教程

DeepLung 项目使用教程

DeepLung 项目地址: https://gitcode.com/gh_mirrors/de/DeepLung

1. 项目目录结构及介绍

DeepLung 项目的目录结构如下：

DeepLung/
├── DeepLungDetectionDemo/
│   ├── detector/
│   ├── evaluationScript/
│   ├── nodcls/
│   ├── .gitignore
│   ├── LICENSE
│   ├── README.md
│   ├── config_training.py
│   ├── prepare.py
│   ├── run_training.sh
│   ├── wacv18_final.pdf
│   └── wacv18_supplyment.pdf
└── ...

目录结构介绍

• DeepLungDetectionDemo/: 项目的主要目录，包含了检测和分类的相关代码。
  • detector/: 存放检测模型的代码和训练好的模型。
  • evaluationScript/: 存放评估脚本，用于评估模型的性能。
  • nodcls/: 存放分类模型的代码和相关数据。
  • .gitignore: Git 忽略文件配置。
  • LICENSE: 项目许可证文件。
  • README.md: 项目说明文件。
  • config_training.py: 训练配置文件。
  • prepare.py: 数据预处理脚本。
  • run_training.sh: 训练启动脚本。
  • wacv18_final.pdf: 论文的最终版本。
  • wacv18_supplyment.pdf: 论文的补充材料。

2. 项目启动文件介绍

项目的启动文件主要是 run_training.sh，该脚本用于启动训练过程。

run_training.sh 文件介绍

#!/bin/bash

# 运行训练脚本
python train.py --model resnet --data_path /path/to/data --output_path /path/to/output

• train.py: 训练脚本，负责加载数据、模型训练和保存模型。
• --model: 指定使用的模型类型，可以是 resnet 或 dpn。
• --data_path: 指定训练数据的存放路径。
• --output_path: 指定训练结果的输出路径。

3. 项目的配置文件介绍

项目的配置文件主要是 config_training.py，该文件包含了训练过程中所需的各项配置参数。

config_training.py 文件介绍

# 数据路径配置
LUNA16_data_path = '/path/to/LUNA16_data'
LIDC_IDRI_data_path = '/path/to/LIDC_IDRI_data'

# 预处理结果保存路径
preprocess_result_path = '/path/to/preprocess_result'

# 标注文件路径
annos_path = '/path/to/annotations'

# 分割数据路径
segment_path = '/path/to/segmentation'

# 其他配置参数
batch_size = 32
learning_rate = 0.001
num_epochs = 100

• LUNA16_data_path: LUNA16 数据集的存放路径。
• LIDC_IDRI_data_path: LIDC-IDRI 数据集的存放路径。
• preprocess_result_path: 预处理结果的保存路径。
• annos_path: 标注文件的存放路径。
• segment_path: 分割数据的存放路径。
• batch_size: 批处理大小。
• learning_rate: 学习率。
• num_epochs: 训练的轮数。

通过以上配置文件，可以灵活调整训练过程中的各项参数，以适应不同的训练需求。

DeepLung 项目地址: https://gitcode.com/gh_mirrors/de/DeepLung