pytorch nested unet

Implementasi PyTorch UNET ++ (Nested U-Net)

Repositori ini berisi kode untuk model segmentasi gambar berdasarkan UNET ++: Arsitektur U-Net bersarang untuk segmentasi gambar medis yang diimplementasikan dalam Pytorch.

[ Baru ] Tambahkan dukungan untuk dataset segmentasi multi-kelas.

[ Baru ] Tambahkan dukungan untuk Pytorch 1.x.

Persyaratan

• Pytorch 1.x atau 0,41

Instalasi

1. Ciptakan lingkungan Anaconda.

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

2. Instal Pytorch.

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. Pasang paket PIP.

pip install -r requirements.txt

Pelatihan tentang Dataset Mangkuk Ilmu Data 2018

1. Unduh dataset dari sini ke input/ dan unzip. Struktur file adalah sebagai berikut:

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

2. Preprocess.

python preprocess_dsb2018.py

3. Latih modelnya.

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

4. Mengevaluasi.

python val.py --name dsb2018_96_NestedUNet_woDS

(Opsional) Menggunakan Lovaszhingeloss

1. Clone Lovaszsoftmax dari BermanMaxim/Lovaszsoftmax.

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

2. Latih model dengan Lovaszhingeloss.

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

Pelatihan tentang Dataset Asli

Pastikan untuk menempatkan file sebagai struktur berikut (misalnya jumlah kelas adalah 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. Latih modelnya.

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

2. Mengevaluasi.

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

Hasil

DSB2018 (96x96)

Berikut adalah hasil pada dataset DSB2018 (96x96) dengan Lovaszhingeloss.

Model	Surat hutang	Kehilangan
U-net	0.839	0.365
Nested U-Net	0.842	0.354
Bersarang u-net w/ deepsupervision	0.843	0.362