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

码字不易               ，收藏之余 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
，别忘了给我点个赞吧！

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

---------Start

关于swinUnet网络的测试部分请移步另一篇博文

官方代码：https://github.com/HuCaoFighting/Swin-Unet

目的：训练Swin-Unet分割肺部区域

官方数据集位置（可能下载不了）：https://www.kaggle.com/datasets/nikhilpandey360/chest-xray-masks-and-labels

CSDN免费下载数据集

实现效果：

输入原图

输出标签

此文中只用了整个数据集中的345张图像用来完成整个分割任务！

1               、下载官方代码并解压

代码地址

解压后的文件夹：

2 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
、下载数据集并解压

数据集地址

我们只需要用到以下两个文件夹：分别代表图片和标签 
  
  
  
  
  
  
  。原文件中图片有800张














，标签只有704张 
  
  
  
  
  
  
  ，有部分img没有标签 
  
  
  
  
  
  
  
，需要在制作npz文件的时候注意一下
  
  
  
  
  
  
  
 。

这是本文用到的345张图像和对应的mask

用于分割任务的标签

 


 


 


 


 


 


 

，

3














、生成.npz文件

pycharm打开项目文件 
 
 
 
 
 
 
 ，配置好python解释器 
   
   
   
   
   
   
   
，创建data目录

data目录中
 

 

 

 

 

 

 
，train_npz是用来存放训练所用的npz文件
 

 

 

 

 

 

 

 ，test_vol_h5用来存放测试所用的npz文件              ，这是官方命名 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
，可以少改代码
 


 


 


 


 


 


 


。

将图像和标签转化成.npz文件

将原图像和标签保持在同目录

转换代码：（根据自己数据的位置修改下路径）,若是只有背景+目标两个类别














，这个代码可以直接用                      ，若是三个及以上类别的分割 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，代码应该根据你的图像数据做调整





















，调整之后保证以下代码的label数组中               ，背景用0像素 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
，目标用1,2,3,4…像素分别表示














，一个像素值代表一种类别 
 
 
 
 
 
 
 。例如（0：背景 
  
  
  
  
  
  
  ，1：类别1 
  
  
  
  
  
  
  
，2：类别2

 


 


 


 


 


 


 

，3：类别3…）
   
   
   
   
   
   
   
 。 def npz(): #原图像路径 path = rG:\dataset\Segmentation\LungSegmentation\npz\images\*.png #项目中存放训练所用的npz文件路径 path2 = rG:\dataset\Unet\TransUnet-ori\data\Synapse\train_npz\\ for i,img_path in enumerate(glob.glob(path)): #读入图像 image = cv2.imread(img_path) image = cv2.cvtColor(image,cv2.COLOR_BGR2RGB) #读入标签 label_path = img_path.replace(images,labels) label = cv2.imread(label_path,flags=0) #将非目标像素设置为0 label[label!=255]=0 #将目标像素设置为1 label[label==255]=1 #保存npz np.savez(path2+str(i),image=image,label=label) print(------------,i) # 加载npz文件 # data = np.load(rG:\dataset\Unet\Swin-Unet-ori\data\Synapse\train_npz\0.npz, allow_pickle=True) # image, label = data[image], data[label] print(ok)

将训练和测试的图像数据分别生成为train_npz和test_vol_h5中的npz文件

生成npz文件对应的txt文件

txt文件的内容是模型训练和测试过程中读入图像数据的名称
 

 

 

 

 

 

 

。忽略my_tools.py文件 

 

 

 

 

 

 

 。

生成txt文件的代码 
 
 
 
 
 
 
 ，根据训练和测试的npz文件分别生成train.txt和test_vol.txt文件               。 def write_name(): #npz文件路径 files = glob.glob(rC:\Users\22120\Desktop\Swin-Unet-main\data\Synapse\test_vol_h5\*.npz) #txt文件路径 f = open(rC:\Users\22120\Desktop\Swin-Unet-main\lists\lists_Synapse\test_vol.txt,w) for i in files: name = i.split(\\)[-1] name = name[:-4]+\n f.write(name)

4 
  
  
  
  
  
  
  、下载预训练权重

官方下载地址

csdn免费下载（推荐）

权重下载好之后 
   
   
   
   
   
   
   
，放入项目的pretrained_ckpt文件夹下
 

 

 

 

 

 

 
，官方只提供了输入大小为224的模型权重

 
 

 
 

 
 

 
 

 
 

 
 

 
 

。

5 
  
  
  
  
  
  
  
、修改部分代码

当你的图像数据是单通道时
 

 

 

 

 

 

 

 ，按照文中写的内容修改后肯定能正常训练













。若是三通道及以上的输入图像              ，也照着文中写的内容修改 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
，若仍有问题














，可以评论或私信我                      ，一起解决吧                       。

5.1 修改train.py

修改常规参数 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，配置文件路径





















，注意num_classes等于背景+预测目标类别个数
 
 
 
 
 
 
 
 
 
 
 
 
 
 
。因为修改之处不多               ，见谅没有放上修改后的代码 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
，参考图中标识修改即可





















。

output_dir：训练日志和输出权重保存的路径

root_path：为数据集存放的根目录

5.2 修改dataset_synapse.py

自己生成的npz文件和官方的npz文件格式有差异














，在这里做了调整 
  
  
  
  
  
  
  ，调整之后完全一致               。

5.3. 修改trainer.py文件

设置trainer.py文件中的DataLoader函数中的num_workers=0

至此 
  
  
  
  
  
  
  
，所有代码修改完毕

 


 


 


 


 


 


 

，执行train.py文件 
 
 
 
 
 
 
 ，若控制台有以下输出 
   
   
   
   
   
   
   
，即成功跑通！

训练完毕后项目文件中的output文件夹里存放着训练的输出日志和模型权重
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 。

总结： 由于仅文字表述某些操作存在局限性
 

 

 

 

 

 

 
，故只能简略描述
 

 

 

 

 

 

 

 ，有任何疑问可下方留言评论或私信              ，回复不及还望见谅 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
，感激不尽！