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

已于 2024-08-12 16:06:38 修改
阅读量2.1k 收藏 42
点赞数 8
分类专栏： 深度学习 图像分割 文章标签： 深度学习 pytorch 人工智能
于 2024-01-26 14:17:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yangyu0515/article/details/135837637
版权

【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。

文章目录

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UNet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

在win10环境下装anaconda环境，方便搭建专用于UNet模型的虚拟环境。

  • 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

名称下载地址说明
DRIVE数据集【官网】【百度网盘:8no8】用于眼科图像处理研究的公共数据集，用于血管分割任务
模型权重百度网盘: p50a使用U-Net在DRIVE数据集上训练得到的权重，仅供测试使用

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)。

UNet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。

UNet++原理与代码实例讲解
AI天才研究院
07-24 829
U-Net++原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 随着计算机视觉领域的飞速发展，图像分割技术在医学影
UNet原理与代码实例讲解
AI智能涌现深度研究
05-22 1122
图像分割是计算机视觉领域中的一个重要任务，其目标是将图像分割成多个具有语义意义的区域。识别肿瘤、病变区域，辅助诊断。识别道路、车辆、行人，实现自动驾驶。识别土地利用类型、监测环境变化。现实世界中的图像往往包含复杂的纹理、光照和遮挡等因素，增加了分割的难度。需要分割的目标种类繁多，形状、大小和外观差异很大。许多应用场景需要实时或近实时地进行图像分割。为了应对这些挑战，研究人员不断探索新的图像分割算法，其中UNet以其优异的性能和广泛的适用性脱颖而出。
pytorch 编写unet网络用于图像分割
07-29
pytorch实现unet网络，专门用于进行图像分割训练。该代码打过kaggle上的 Carvana Image Masking Challenge from a high definition image.
pytorch版Unet实现医学图像分割
一千零一夜的博客
07-23 1万+
源码和数据已上传至github，方便下载使用。 GitHub - Z-XQ/unet_pytorch: using pytorch to implement unet network for liver image segmentation.using pytorch to implement unet network for liver image segmentation. - GitHub - Z-XQ/unet_pytorch: using pytorch to implement unet ne
Python U-Net 实现医学影像分割
最新发布
肖哥弹架构博客
02-17 996
医学影像分割是医学图像处理中的一个重要任务，旨在从医学影像中自动分割出感兴趣的区域，如器官、病变等。这对于疾病的诊断、治疗规划和医学研究具有重要意义。U-Net 是一种专门用于医学影像分割的卷积神经网络，因其在处理医学影像时的高效性和准确性而被广泛应用。本文介绍如何使用 Python 和 PyTorch 实现 U-Net 模型进行医学影像分割。
【代码分析】Unet-Pytorch
m0_65787507的博客
12-29 1277
主要包含：【1】double conv，双层卷积【2】down，下采样【3】up，上采样【4】out conv，输出卷积=》卷积。卷积核是3*3，填充是1=》批归一化。=》ReLU。激活函数=》卷积。卷积核是3*3，填充是1=》批归一化。=》ReLU。激活函数【2】down=》最大池化。池化核是2*2【3】up=》上采样。可选择upsample + double conv 和 transpose + double conv=》计算尺寸差异。=》填充x1。使得x1和x2对齐。
Unet代码实现(PyTorch)
ProceduralMan的博客
04-22 3292
【代码】Unet代码实现。
Pytorch实战系列（一）——CNN之UNet代码解析
JeasunLok的博客
10-14 1万+
UNet网络结构及其编码详解
Python-Pytorch实现用于图像语义分割UNet
08-11
Pytorch实现用于图像语义分割：U-Net，具有密集的CRF后处理
Pytorch:Unet网络代码详解
热门推荐
weixin_43436958的博客
07-16 4万+
  pytorch版本的Unet网络可以去github上面下载，网址为https://github.com/milesial/Pytorch-UNet，话不多说，还是以代码为例吧。 1、dataset.py   这个数据集采用的是汽车的数据集，数据集当中返回的是一个字典： return { 'image': torch.from_numpy(img).type(torch.FloatTensor), 'mask': torch.from_num
【图像去噪】论文复现：Swin Transformer用于图像去噪！SUNet的Pytorch源码复现，训练，测试高斯噪声图像流程详解，计算PSNR/SSIM，Windows和Linux下单卡可跑！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
11-09 458
论文题目：SUNet: Swin Transformer UNet for Image Denoising —— SUNet:用于图像去噪的Swin Transformer UNet【图像去噪】论文精读：SUNet: Swin Transformer UNet for Image DenoisingSRMNet复现MIRNet复现MPRNet复现。SUNet基于Swin-Transformer实现，最好先了解其相关内容，否则代码理解上可能有困难。
PyTorch-UNet:UNet模型的PyTorch实现-https
05-16
U-Net-PyTorch实施 模型（一种流行的图像分割网络）的实现。 这是非常稳定和可配置的，我已经在多个数据集中使用了它，并将其作为几个项目的组成部分。 更新：还支持基于的3-D卷的分段 更新：所有批次归一化操作已被实例归一化所取代（以解决医学图像中的小批量），并且ReLU激活已被LeakyReLU取代，因为它在最近的工作中得到了更大的采用。 安装 您可以将此软件包安装在本地python环境中，并将其作为模块导入项目中。 将此存储库克隆到您选择的文件夹中。 cd <UNET> git clone https://github.com/kilgore92/PyTorch-UNet.git 安装软件包依赖项，如下所示： cd <UNET> <PATH>/bin/pip install -r requirements.txt
unet-master 2_Unet图像分割_unet分割_unet源码_UNet_图像分割_源码
10-04
使用unet对图像进行分割的源码，里面有训练集，可以根据自己的需要更换训练数据。
segmentation:使用pytorch进行图像分割
05-19
细分数据集 确保使用--recurse-submodules签出，有一个子模块'tools'用于常见的点滴）它会加载一个包含图像和遮罩的文件夹，其中包含配置文件（像素值对应于类）。 可在以下上进行训练的示例数据集： : 或者可以从import /文件夹中的脚本中导入COCO / Pascal VOC数据集中的类/图像。 查看训练或测试集和蒙版注释： python -m dataset.view --input /path/to/dataset --train (or --test) 对检查图像的预处理很有用。 查看遮罩文件 python view_labels.py some/file.jpg.mask 训练模型： python main.py --lr 0.1 --batch_size 4 --input /path/to/dataset --model "unet --
UNet_unet代码_Unet图像分割_医学图像分割_unet代码_UNet_
10-03
u-net经典神经网络模型代码，适用于医学图像分割领域，可以根据此代码搭建
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
图像分割：Unet的pytorch代码实现（二）Unet模型代码
ljy04103的博客
09-27 2204
本文主要讲述了Unet模型的结构和基于pytorch的代码实现。
【PyTorch 实战2：UNet 分割模型】10min揭秘 UNet 分割网络如何工作以及pytorch代码实现（详细代码实现）
xiaoh_7的博客
04-01 9068
U-Net，自2015年诞生以来，便以其卓越的性能在分割领域崭露头角。我们详细介绍了如何使用PyTorch实现并训练一个U-Net模型，以及如何在训练和推理阶段使用它。
【PyTorch】图像分割
Glass_Gun的博客
09-30 1416
将图像每一个。
unet图像分割pytorch代码
11-19
UNet是一种流行的卷积神经网络结构，专用于图像分割任务。在PyTorch中实现UNet需要导入必要的库，构建编码器解码器结构，并训练模型。下面是一个简化的UNet代码示例： ```python import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder from torchvision.transforms import ToTensor # 定义UNet的基本模块 class UNetBlock(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1, dropout_rate=0.5): super(UNetBlock, self).__init__() self.encoder = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding), nn.BatchNorm2d(out_channels), nn.ReLU(), nn.Dropout(dropout_rate) ) self.decoder = nn.Sequential( nn.ConvTranspose2d(out_channels, in_channels // 2, kernel_size, stride, padding), nn.BatchNorm2d(in_channels // 2), nn.ReLU(), nn.Dropout(dropout_rate) ) def forward(self, x): x1 = self.encoder(x) return self.decoder(x1) # 全局定义UNet class UNet(nn.Module): def __init__(self, num_classes): super(UNet, self).__init__() self.down1 = UNetBlock(3, 64) # 输入通道数为3 (RGB), 输出通道数为64 self.pool1 = nn.MaxPool2d(2, 2) self.down2 = UNetBlock(64, 128) self.pool2 = nn.MaxPool2d(2, 2) self.down3 = UNetBlock(128, 256) self.pool3 = nn.MaxPool2d(2, 2) self.center = UNetBlock(256, 512) self.up3 = UNetBlock(512 + 256, 256) self.up2 = UNetBlock(256 + 128, 128) self.up1 = UNetBlock(128 + 64, 64) self.outconv = nn.Conv2d(64, num_classes, 1) def forward(self, x): x1 = self.down1(x) x2 = self.pool1(x1) x3 = self.down2(x2) x4 = self.pool2(x3) x5 = self.down3(x4) x = self.pool3(x5) x = self.center(x) x = torch.cat((x5, x), dim=1) x = self.up3(x) x = torch.cat((x4, x), dim=1) x = self.up2(x) x = torch.cat((x3, x), dim=1) x = self.up1(x) x = self.outconv(x) return x # 示例用法 num_classes = 2 # 二分类问题，比如前景和背景 model = UNet(num_classes) # 加载数据、设置优化器、损失函数等并开始训练... ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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