pytorch nested unet

تنفيذ Pytorch من UNET ++ (متداخل U-NET)

يحتوي هذا المستودع على رمز لنموذج تجزئة الصور استنادًا إلى UNET ++: بنية U-NET متداخلة لتجزئة الصور الطبية المنفذة في Pytorch.

[ جديد ] أضف دعمًا لمجموعة بيانات تجزئة الطبقة المتعددة.

[ جديد ] أضف دعمًا لـ Pytorch 1.x.

متطلبات

• Pytorch 1.x أو 0.41

تثبيت

1. إنشاء بيئة أناكوندا.

conda create -n= < env_name > python=3.6 anaconda
conda activate < env_name >

2. تثبيت Pytorch.

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. تثبيت حزم PIP.

pip install -r requirements.txt

التدريب على 2018 Data Science Bowl Dataset

1. قم بتنزيل مجموعة البيانات من هنا إلى المدخلات/ و UNXIP. بنية الملف هي ما يلي:

 inputs
└── data-science-bowl-2018
    ├── stage1_train
    |   ├── 00ae65...
    │   │   ├── images
    │   │   │   └── 00ae65...
    │   │   └── masks
    │   │       └── 00ae65...            
    │   ├── ...
    |
    ...

2. المعالجة المسبقة.

python preprocess_dsb2018.py

3. تدريب النموذج.

python train.py --dataset dsb2018_96 --arch NestedUNet

4. يقيم.

python val.py --name dsb2018_96_NestedUNet_woDS

(اختياري) باستخدام lovaszhingeloss

1. Clone LovaszsoftMax من Bermanmaxim/LovaszsoftMax.

 git clone https://github.com/bermanmaxim/LovaszSoftmax.git

2. تدريب النموذج مع Lovaszhingeloss.

 python train.py --dataset dsb2018_96 --arch NestedUNet --loss LovaszHingeLoss

التدريب على مجموعة البيانات الأصلية

تأكد من وضع الملفات على أنها الهيكل التالي (على سبيل المثال عدد الفئات 2):

 inputs
└── <dataset name>
    ├── images
    |   ├── 0a7e06.jpg
    │   ├── 0aab0a.jpg
    │   ├── 0b1761.jpg
    │   ├── ...
    |
    └── masks
        ├── 0
        |   ├── 0a7e06.png
        |   ├── 0aab0a.png
        |   ├── 0b1761.png
        |   ├── ...
        |
        └── 1
            ├── 0a7e06.png
            ├── 0aab0a.png
            ├── 0b1761.png
            ├── ...

1. تدريب النموذج.

 python train.py --dataset <dataset name> --arch NestedUNet --img_ext .jpg --mask_ext .png

2. يقيم.

 python val.py --name <dataset name>_NestedUNet_woDS

نتائج

DSB2018 (96x96)

فيما يلي النتائج على DSB2018 Dataset (96x96) مع Lovaszhingeloss.

نموذج	IOU	خسارة
U-Net	0.839	0.365
متداخل U-net	0.842	0.354
متداخل U-net w/ DeepSuperVision	0.843	0.362