TransUnet官方代码测试自己的数据集(已训练完毕)
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u
***************************************************
码字不易,收藏之余,别忘了给我点个赞吧!
***************************************************
---------Start
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,并设置主干模型的名称同训练时一致。
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_volume函数,原网络输出的是0,1,2,3,4像素的图片,分别代表5个类别,直接显示均呈黑色。对此,我们通过像素调整,使每个类别呈现不同的颜色。
def test_single_volume(image, label, net, classes, patch_size=[256, 256], test_save_path=None, case=None, z_spacing=1):
image, label = image.squeeze(0).cpu().detach().numpy(), label.squeeze(0).cpu().detach().numpy()
_,x, y = image.shape
if x != patch_size[0] or y != patch_size[1]:
#缩放图像符合网络输入
image = zoom(image, (1,patch_size[0] / x, patch_size[1] / y), order=3)
input = torch.from_numpy(image).unsqueeze(0).float().cuda()
net.eval()
with torch.no_grad():
out = torch.argmax(torch.softmax(net(input), dim=1), dim=1).squeeze(0)
out = out.cpu().detach().numpy()
if x != patch_size[0] or y != patch_size[1]:
#缩放图像至原始大小
prediction = zoom(out, (x / patch_size[0], y / patch_size[1]), order=0)
else:
prediction = out
metric_list = []
for i in range(1, classes):
metric_list.append(calculate_metric_percase(prediction == i, label == i))
if test_save_path is not None:
a1 = copy.deepcopy(prediction)
a2 = copy.deepcopy(prediction)
a3 = copy.deepcopy(prediction)
a1[a1 == 1] = 255
a1[a1 == 2] = 0
a1[a1 == 3] = 255
a1[a1 == 4] = 20
a2[a2 == 1] = 255
a2[a2 == 2] = 255
a2[a2 == 3] = 0
a2[a2 == 4] = 10
a3[a3 == 1] = 255
a3[a3 == 2] = 77
a3[a3 == 3] = 0
a3[a3 == 4] = 120
a1 = Image.fromarray(np.uint8(a1)).convert('L')
a2 = Image.fromarray(np.uint8(a2)).convert('L')
a3 = Image.fromarray(np.uint8(a3)).convert('L')
prediction = Image.merge('RGB', [a1, a2, a3])
prediction.save(test_save_path+'/'+case+'.png')
return metric_list
**方便小伙伴理解这部分代码,特意做了个图,a1,a2,a3分别代表RGB三个通道,开始它们的值通过deepcopy函数直接赋值,故三者的值都是一样的。
这里拿类别1举例:a1[a12]=0代表R通道中输出结果为2的赋值0,
a2[a22]=255代表G通道中输出结果为2的赋值255,
a3[a3==2]=77代表B通道中输出结果为2的赋值77,(0,255,77)对应就是绿色,类别2就是绿色(轮子)。
然后通过Image.merge(‘RGB’, [a1, a2, a3])函数合并三个通道,此时prediction就成了三通道彩色图。
至此,设置完毕,右键run运行。
5. 测试结束
测试结束后,会在根目录下生成predictions文件夹,文件夹的内容如下。
更多推荐
所有评论(0)