pytorch nested unet

UNET ++의 Pytorch 구현 (중첩 U-Net)

이 저장소에는 UNET ++를 기반으로 한 이미지 세분화 모델에 대한 코드가 포함되어 있습니다.

[ New ] 다중 클래스 세분화 데이터 세트에 대한 지원을 추가하십시오.

[ 신규 ] Pytorch 1.X에 대한 지원 추가

요구 사항

• Pytorch 1.X 또는 0.41

설치

1. 아나콘다 환경을 만듭니다.

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

2. Pytorch를 설치하십시오.

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. PIP 패키지를 설치하십시오.

pip install -r requirements.txt

2018 데이터 과학 보울 데이터 세트에 대한 교육

1. 데이터 세트를 여기에서 입력/ 압축 해제로 다운로드하십시오. 파일 구조는 다음과 같습니다.

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

2. 전처리.

python preprocess_dsb2018.py

3. 모델을 훈련하십시오.

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

4. 평가하다.

python val.py --name dsb2018_96_NestedUNet_woDS

(선택 사항) Lovaszhingeloss 사용

1. Bermanmaxim/lovaszsoftmax의 복제 LovaszsoftMax.

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

2. Lovaszhingeloss로 모델을 훈련하십시오.

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

원래 데이터 세트에 대한 교육

파일을 다음 구조로 넣으십시오 (예 : 클래스 수는 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. 모델을 훈련하십시오.

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

2. 평가하다.

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

결과

DSB2018 (96x96)

다음은 lovaszhingeloss와 함께 DSB2018 DataSet (96x96)의 결과입니다.

모델	iou	손실
U-Net	0.839	0.365
중첩 된 U-Net	0.842	0.354
중첩 U-Net w/ deepsupervision	0.843	0.362