TransUnet官方代码训练自己数据集&测试自己的数据集

最新推荐文章于 2025-04-18 18:44:52 发布
最新推荐文章于 2025-04-18 18:44:52 发布
阅读量3.6k 收藏 12
点赞数
分类专栏： 深度学习 文章标签： 计算机视觉 深度学习
原文链接：https://blog.youkuaiyun.com/qq_37652891/article/details/123465472
版权
本文档详细介绍了如何利用TransUnet官方代码训练自己的计算机视觉数据集，并进行测试。参照链接提供的教程，涵盖权重保存路径的注意事项。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

流程参考：
https://blog.youkuaiyun.com/qq_37652891/article/details/123465472
https://blog.youkuaiyun.com/qq_37652891/article/details/123470578
注意权重路径：
在这里插入图片描述

TransUnet复现，完整代码（附实现说明）
04-25
TransUnet复习，完整代码（附实现说明）
TranSE算法实现及测试
04-26
这是我自己的代码，主要用来存储，若能帮到其他人，我也很愿意。
复现TransUnet官方代码用于训练自己数据集-超详细实操和debug记录
Everyday try to become better -Kobe Bryant
11-26 4454
正常我们是直接利用test_vol_h5和train_npz中的文件名来生成，但是，我们在上一步并没有对数据进行划分，因此在这里生成list的时候，就需要进行划分了。在根目录下创建prepareddata文件夹，并在其中创建image_data3_crop_deleted和image_data3_crop_deleted文件夹、以及图像转化工具getnpz_test.py和getnpz_train.py 还有列表生成工具write_test_txt.py和write_train_txt.py。
使用 PyTorch TransUNet 模型实现基于 TransUNet 的遥感河流分割：TransUNet遥感河流分割检测
最新发布
2401_86822270的博客
04-18 959
使用 PyTorch TransUNet 模型实现基于 TransUNet 的遥感河流分割：TransUNet遥感河流分割检测
TransUnet训练自己的数据集
m0_64894570的博客
01-31 8142
记录复现TransUNet及学习过程中出现的问题
TransUnet彻底改变传统的图像分割——以四通道图像分割为例
2401_82355416的博客
02-03 1219
如果你希望将 TransUNet 应用于四通道图像的分割任务，通常需要对输入数据进行一些调整，并确保模型能够处理多通道输入。
TransUnet官方代码训练自己数据集（彩色RGB3通道图像的分割）
热门推荐
qq_37652891的博客
03-13 5万+
官方代码：https://github.com/Beckschen/TransUNet 目的：训练5个类别的汽车部件分割任务（测试在另一篇博客中） 实现效果： 1. github下载代码，并解压。 项目里的文件可能跟你下载的不一样，不急后面会讲到！ 2. 配置数据集（尽最大努力还原官方数据集的格式）。 通常自己手上的数据集分images和labels文件夹，分别存放着原始图像和对应的mask图像，如下图所示; mask图像中的像素有0,1,2,3,4 分别代表背景，车身，轮子，车灯，窗户，一共五个
TransUnet官方代码测试自己的数据集（已训练完毕）
qq_37652891的博客
03-14 2万+
首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。 1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。 权重文件 2. 修改test.py文件 调整数据集路径。 训练和测试时的图像设置相同大小。 配置数据集相关信息。 手动添加权重。 3. 设置DataLoader 设置DataLoader中参数num_workers=0。 4. 修改utils.py文件 替换utils.py中的test_single_volum
TransUNet：使用自己的数据集完成训练后进行测试
m0_64894570的博客
01-31 3192
TransUNet：记录使用自己的数据集完成训练后进行测试的学习过程
TransUnet使用自己的数据集复现求改进（抛砖引玉交流贴）
ztg111的博客
07-02 4107
在使用过多个基于transformer的开源网络过后，包括segformer、objectformer、swinunet、transfuse等，发现加载官方公布的预训练权重的transunet在自己的任务上表现最好（我的方向是图像复制篡改检测，就是一种二分类语义分割），在不做任何修改的情况仅重新成功训练就有远超普通全卷积网络的能力，（这里仅指transunet的R50-ViT-B_16这种卷积后接transformer的形式，而同样加载预训练权重的纯vit模型表现就不尽如人意了，很不理解？
Transunet训练自己数据集中的常见ValueError报错：
FeiYiHong的博客
08-29 669
由于我们需要的image和label必需一一对应所以在制作npz文件中务必也要一一对应由几位博主写的教程中是默认image和label名字是一样的，但是有一个大问题在于说你的数据集很有可能是两个名字不一样，一但不一样就很可能导致找不到label，从而出现ValueError的错误，本人也是小白在跳了几次坑后终于找到了原因。
TransUNet pytorch实现
04-21
TransUNet pytorch实现
TransUNet：此存储库包含TransUNet的官方项目，在我们的论文中进行了介绍：TransUNet：变压器为医学图像分割提供了强大的编码器
03-04
传输网 此存储库包含代码 用法 1.下载Google预先训练的ViT模型 ：R50-ViT-B_16，ViT-B_16，ViT-L_16 ... wget https://storage.googleapis.com/vit_models/imagenet21k/{MODEL_NAME}.npz && mkdir ../model/vit_checkpoint/imagenet21k && mv {MODEL_NAME}.npz ../model/vit_checkpoint/imagenet21k/{MODEL_NAME}.npz 2.准备数据 请访问以获取详细信息，或将电子邮件发送至jienengchen01 AT gmail.com以请求预处理的数据。 如果您想使用预处理后的数据，请将其用于研究目的，请勿重新分发。 3.环境 请准备一个python = 3.7的环境，然后使用命令“
Transformer-Unet:使用变压器编码器的Unet实现
03-05
变压器-Unet 使用变压器编码器的Unet实现
基于 TransUnet 对腹部多脏器的分割实战【包含代码+数据集+训练结果】
07-06
1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等外加最后和最好的权重文件。 2.evaluate 验证脚本用于评估模型，计算测试集的iou、recall、precision、像素准确率...
基于 TransUnet 对DRIVE的分割实战【包含代码+数据集】
07-06
1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型，计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于...
TransUnet多分类
03-02
四、测试数据处理与评估指标 测试阶段，模型会针对输入图像产生像素级别的预测标签。常用的评估指标包括IoU（Intersection over Union）、Precision、Recall和F1 Score，它们综合衡量模型的分类准确性和定位精确度...
基于 Transformer-Unet 实现的对腹部多脏器13类别的分割实战【包含代码+数据集+训练结果】
08-04
1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等外加最后和最好的权重文件。 2.evaluate 验证脚本用于评估模型，计算测试集的iou、recall、precision、像素准确率...
TransUNet
zjiafbaodaozmj的博客
07-24 2万+
github：https://github.com/Beckschen/TransUNet TransU-net就是transformer+U-net 且整体的网络架构还是U-net，只有在encoder结构上运用 了transformer的encoder结构，这样可以提取更好的特征。 因为CNN受感受野的缘故，始终不能很好地利用全局信息，或者说需要很多层后才能得到抽象的全局信息，但CNN对局部细节信息可以很好地提取。 transformer网络由于具有self-attention结构，所以对于全局信息的提
评论 1
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