U-Net(Convolutional Networks for Biomedical Image Segmentation)

该项目主要参考以下开源仓库

• https://github.com/milesial/Pytorch-UNet
• https://github.com/pytorch/vision

环境配置：

• Python3.6/3.7/3.8
• Pytorch1.10
• Ubuntu或Centos(Windows暂不支持多GPU训练)
• 最好使用GPU训练
• 详细环境配置见requirements.txt

文件结构：

  ├── src: 搭建U-Net模型代码
  ├── train_utils: 训练、验证以及多GPU训练相关模块
  ├── my_dataset.py: 自定义dataset用于读取DRIVE数据集(视网膜血管分割)
  ├── train.py: 以单GPU为例进行训练
  ├── train_multi_GPU.py: 针对使用多GPU的用户使用
  ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试
  └── compute_mean_std.py: 统计数据集各通道的均值和标准差

DRIVE数据集下载地址：

• 官网地址： https://drive.grand-challenge.org/
• 百度云链接： https://pan.baidu.com/s/1Tjkrx2B9FgoJk0KviA-rDw 密码: 8no8

训练方法

• 确保提前准备好数据集
• 若要使用单GPU或者CPU训练，直接使用train.py训练脚本
• 若要使用多GPU训练，使用torchrun --nproc_per_node=8 train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量
• 如果想指定使用哪些GPU设备可在指令前加上CUDA_VISIBLE_DEVICES=0,3(例如我只要使用设备中的第1块和第4块GPU设备)
• CUDA_VISIBLE_DEVICES=0,3 torchrun --nproc_per_node=2 train_multi_GPU.py

注意事项

• 在使用训练脚本时，注意要将--data-path设置为自己存放DRIVE文件夹所在的根目录
• 在使用预测脚本时，要将weights_path设置为你自己生成的权重路径。
• 使用validation文件时，注意确保你的验证集或者测试集中必须包含每个类别的目标，并且使用时只需要修改--num-classes、--data-path和--weights即可，其他代码尽量不要改动

使用U-Net在DRIVE数据集上训练得到的权重(仅供测试使用)

• 链接: https://pan.baidu.com/s/1BOqkEpgt1XRqziyc941Hcw 密码: p50a

如果对U-Net网络不了解的可参考我的bilibili

• https://www.bilibili.com/video/BV1Vq4y127fB/

进一步了解该项目，以及对U-Net代码的分析可参考我的bilibili

• https://b23.tv/PCJJmqN

本项目U-Net默认使用双线性插值做为上采样，结构图如下