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

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




 




 




 




 ，这是测试过程
   

   

   

   

，需要用到训练过程的权重    
    
    
    
。

1. TransUnet训练完毕之后     

     

     

     

，会生成权重文件（默认保存位置如下） 




  




  




  




  ，snapshot_path为保存权重的路径     


     


     


     


 。

权重文件

2. 修改test.py文件

调整数据集路径




 




 




 




 。

训练和测试时的图像设置相同大小

  


  


  


  

，并设置主干模型的名称同训练时一致
   

   

   

   

。

配置数据集相关信息     

     

     

     

。

手动添加权重 




  




  




  




  。

3. 设置DataLoader

设置DataLoader中参数num_workers=0

  


  


  


  

。

4. 修改utils.py文件

替换utils.py中的test_single_volume函数     
     
     
     
，原网络输出的是0,1,2,3,4像素的图片  




   




   




   




  ，分别代表5个类别


 



 



 



 

，直接显示均呈黑色     
     
     
     
。对此                    ，我们通过像素调整   




    




    




    




  ，使每个类别呈现不同的颜色  




   




   




   




  。

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 if x != patch_size[0] or y != patch_size[1]: #缩放图像符合网络输入 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() if x != patch_size[0] or y != patch_size[1]: #缩放图像至原始大小 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: a1 = copy.deepcopy(prediction) a2 = copy.deepcopy(prediction) a3 = copy.deepcopy(prediction) a1[a1 == 1] = 255 a1[a1 == 2] = 0 a1[a1 == 3] = 255 a1[a1 == 4] = 20 a2[a2 == 1] = 255 a2[a2 == 2] = 255 a2[a2 == 3] = 0 a2[a2 == 4] = 10 a3[a3 == 1] = 255 a3[a3 == 2] = 77 a3[a3 == 3] = 0 a3[a3 == 4] = 120 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) return metric_list

**方便小伙伴理解这部分代码




















，特意做了个图                    ，a1,a2,a3分别代表RGB三个通道    



     



     



     



  ，开始它们的值通过deepcopy函数直接赋值




















，故三者的值都是一样的


 



 



 



 

。

这里拿类别1举例：a1[a12]=0代表R通道中输出结果为2的赋值0    
    
    
    
，

a2[a22]=255代表G通道中输出结果为2的赋值255     


     


     


     


 ，

a3[a3==2]=77代表B通道中输出结果为2的赋值77




 




 




 




 ，(0,255,77)对应就是绿色
   

   

   

   

，类别2就是绿色（轮子）                    。

然后通过Image.merge(‘RGB’, [a1, a2, a3])函数合并三个通道     

     

     

     

，此时prediction就成了三通道彩色图   




    




    




    




  。

至此 




  




  




  




  ，设置完毕

  


  


  


  

，右键run运行




















。

5. 测试结束

测试结束后     
     
     
     
，会在根目录下生成predictions文件夹  




   




   




   




  ，文件夹的内容如下                    。