【swinUnet官方代码测试自己的数据集（已训练完毕）】-Toy模板网

这篇具有很好参考价值的文章主要介绍了【swinUnet官方代码测试自己的数据集（已训练完毕）】。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

***************************************************

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，因为测试需要用到训练获得的权重。

1、检查相关文件

1.1 检查test_vol.txt的内容是否是测试用的npz文件名称

swinunet训练自己的数据集,深度学习,python,计算机视觉,深度学习,人工智能,神经网络
测试集的npz文件

1.2 检查模型权重文件

swinunet训练自己的数据集,深度学习,python,计算机视觉,深度学习,人工智能,神经网络

2、修改部分代码

2.1 修改dataset_synapse.py

swinunet训练自己的数据集,深度学习,python,计算机视觉,深度学习,人工智能,神经网络

            slice_name = self.sample_list[idx].strip('\n')
            data_path = os.path.join(self.data_dir, slice_name+'.npz')
            data = np.load(data_path)
            image, label = data['image'], data['label']
            #改，numpy转tensor
            image = torch.from_numpy(image.astype(np.float32))
            image = image.permute(2,0,1)
            label = torch.from_numpy(label.astype(np.float32))

2.2 修改test.py代码

修改相关参数和文件路径
is_savenii：是否保存预测结果图片
num_classes：预测的目标类别数+1
swinunet训练自己的数据集,深度学习,python,计算机视觉,深度学习,人工智能,神经网络
cfg：swinUnet网络结构配置文件
test_save_dir：保存预测结果文件夹

num_classes：预测的目标类别数+1

自定义权重路径

2.3 修改util.py代码（分两种情况）

第一种情况：保存预测原图，保存的结果是一张灰度图，每个像素的值代表该像素属于哪个类别。例如（0：背景，1：目标1，2：目标2…）,这是一张全黑图。


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

    # 缩放图像符合网络输入大小224x224
    if x != patch_size[0] or y != patch_size[1]:
        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()
        # 缩放预测结果图像同原始图像大小
        if x != patch_size[0] or y != patch_size[1]:
            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:
        #保存预测结果
        prediction = Image.fromarray(np.uint8(prediction)).convert('L')
        prediction.save(test_save_path + '/' + case + '.png')
    return metric_list

第二种情况：保存可见图像，将不同类别映射成不同的颜色。只需要将上面代码的if test_save_path is not None:里面的内容替换成下面的代码即可。

        #将不同类别区域呈彩色展示
        #2分类 背景为黑色，类别1为绿色
    if test_save_path is not None:
        a1 = copy.deepcopy(prediction)
        a2 = copy.deepcopy(prediction)
        a3 = copy.deepcopy(prediction)
        #r通道
        a1[a1 == 1] = 0
		#g通道
        a2[a2 == 1] = 255
		#b通道
        a3[a3 == 1] = 0
        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')