Unet代码试运行

研一刚开始,最近要用到FCN的网络结构,所以决定先跑通Unet代码,其中发现了各种各样的错误,踩了超级多的坑。此贴记录下第一次运行的过程,并且希望后来者能避免一些错误。

GitHub代码下载

GitHub下载地址https://github.com/zhixuhao/unet

解压压缩包的内容

data/membrane/train是训练集;

data/membrane/test是测试集,因为是运行过预测代码的结果,所以该文件夹里的0_predict是预测出来的结果。

data.py里定义了加载数据的函数,model.py定义了unet模型结构,main.py是主文件训练并且预测把预测结果保存下来。

试运行

在spyder中打开data.py,运行;

打开model.py,运行;

打开main.py,运行。

出错及错误修正

1

将main.py中#os.environ["CUDA_VISIBLE_DEVICES"] = "0"去掉#

原因可能是因为我的笔记本有集显和独显

2

UserWarning: Update your Model call to the Keras 2 API: Model(inputs=[<tf.Tenso..., outputs=[<tf.Tenso...)  model = Model(output = [conv10],inputs = [input_s])

原因是我电脑上装的keras版本是2.0,源代码是早期的版本,将model.py中的

model = Model(input = input_s,output = conv10)改为

model = Model(output = [conv10],inputs = [input_s])

3

此时还有一个错误merge will be removed after 2017/03大概是这样具体忘记了,这出错误是因为keras2.0中修改了API,解决方法是在model.py中将

merge6 = merge([drop4,up6], mode = 'concat', concat_axis = 3)改为

merge6 = concatenate([drop4,up6],axis = 3),同理将代码中的所有merge的格式改写。

保存,再次运行model.py.

4

运行main.py,再次报错如下

OSError: broken data stream when reading image file

修正这个错误,在data.py中

最开头导入包的位置加上

from PIL import Image,ImageFileImageFile.LOAD_TRUNCATED_IMAGES=True

 

在我的电脑上只发生了这几处错误,再次运行main.py就开始训练过程了。

运行

在训练的过程中,训练了几轮后,loss在0.5左右,acc在0.7左右,以很慢的速度下降,训练了239/300的时候

239/300 [======================>.......] - ETA: 777s - loss: 0.3776 - acc: 0.8164

249/300 [=======================>......] - ETA: 649s - loss: 0.3752 - acc: 0.8185

269/300 [==========================>...] - ETA: 368s - loss: 0.3702 - acc: 0.8227

279/300 [==========================>...] - ETA: 266s - loss: 0.3686 - acc: 0.8240

289/300 [===========================>..] - ETA: 139s - loss: 0.3663 - acc: 0.8261

299/300 [============================>.] - ETA: 12s - loss: 0.3638 - acc: 0.8280 

 

在预测的过程中

1/30 [===============>.....]

12/30 [===============>.....]

20/30 [===============>.....]运行正常

21/30 [===============>.....]出现了错误如下

exception in thread Thread-63

意思是内存溢出,应该是我的内存太小只能放下预测出的20张预测结果的数据,第21张放不下了。

修改main.py文件中的results = model.predict_generator(testGene,30,verbose=1),将30改为20。

运行成功,保存成功。

代码解析

详解main.py中的代码

os.environ["CUDA_VISIBLE_DEVICES"] = "0"

调用英伟达独显,我的电脑有集显和独显两块显卡。

训练部分

data_gen_args=dict(rotation_range=0.2,width_shift_range=0.05,height_shift_range=0.05,                    shear_range=0.05,zoom_range=0.05,  horizontal_flip=True, fill_mode='nearest')

不知道什么意思。

myGene = trainGenerator(2,'data/membrane/train','image','label',data_gen_args,save_to_dir = None)

myGene是训练数据,'data/membrane/train'文件夹下,image文件夹存放训练图片,label文件夹存放训练图片的标签(也是图片形式),本示例中的图片形式都是.png

model = unet()载入模型结构

model_checkpoint = ModelCheckpoint('unet_membrane.hdf5', monitor='loss',verbose=1, save_best_only=True)

这一行是载入他人训练得到的模型及权重,这是keras的断点训练属性,unet_membrane.hdf5是他人保存的模型及权重,他人用model.save('unet_membrane.hdf5')保存得到该文件。

model.fit_generator(myGene,steps_per_epoch=300,epochs=1,callbacks=[model_checkpoint])

将训练集放到载入预权重的模型训练,steps_per_epoch=300表示一共分为300份,epochs=1表示一次训练1份。

预测部分

testGene = testGenerator("data/membrane/test")读入测试集原始图像。

results = model.predict_generator(testGene,20,verbose=1)  使用模型预测,在`test`文件夹中有编号0--29的30张图像,代码中20的意思是预测0--19这20张图像。

saveResult("data/membrane/test",results) 将结果保存到data/membrane/test路径中。

### UNet 实现与复现方法 UNet 是一种常用于图像分割任务的卷积神经网络架构,最初由 Ronneberger 等人在医学影像领域提出。以下是关于如何实现或复现 UNet 的详细说明: #### 1. 使用官方文档和教程资源 可以从多个开源项目中找到 UNet 的具体实现方式。例如,在 `numpy-ml` 和 `practicalAI` 这些 GitHub 资源中提供了详细的代码示例[^1]。这些资料通常会包含模型定义、训练流程以及测试脚本。 #### 2. 利用 Git 命令获取代码库 如果本地已安装 Git 工具,则可以通过命令行快速克隆目标仓库到计算机上。比如执行如下命令即可拉取相关项目的最新版本: ```bash git clone https://github.com/your-repo-url.git ``` 此操作能够帮助开发者轻松获得完整的 UNet 实现代码及其依赖环境配置文件[^2]。 #### 3. 配置开发环境通过容器化技术简化部署过程 为了确保不同操作系统之间的一致性和稳定性, 推荐采用 Docker 技术来构建统一运行时环境 。 在此类场景下 , 用户只需准备好基础镜像并编写好必要的描述性文档 (Dockerfile), 结合其他辅助工具如 docker-compose 来管理多服务应用实例之间的交互关系 [^3]. #### 4. 下载预训练模型权重进行推理验证 对于希望直接利用已有成果而不必经历漫长训练周期的情况来说 , 可以前往指定链接地址下载经过良好调整后的参数集合 .之后依据给定指南完成预测环节 : ```python python predict.py -m unet_carvana_scale1_epoch5.pth -i Selection_002.png -o output.png ``` 上述语句展示了怎样加载特定格式(.pth)保存下来的神经网络状态字典至自定义函数内部以便进一步处理输入数据得到期望输出结果 [^4]. --- ### 示例代码展示 以下是一个简单的 PyTorch 版本 UNet 架构实现片段: ```python import torch.nn as nn import torch class DoubleConv(nn.Module): """(convolution => [BN] => ReLU) * 2""" def __init__(self, in_channels, out_channels): super().__init__() self.double_conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.double_conv(x) class Down(nn.Module): """Downscaling with maxpool then double conv""" def __init__(self, in_channels, out_channels): super().__init__() self.maxpool_conv = nn.Sequential( nn.MaxPool2d(2), DoubleConv(in_channels, out_channels) ) def forward(self, x): return self.maxpool_conv(x) # 更多组件省略... ``` ---
评论 27
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值