***************************************************
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…）。
defnpz():#原图像路径
path =r'G:\dataset\Segmentation\LungSegmentation\npz\images\*.png'#项目中存放训练所用的npz文件路径
path2 =r'G:\dataset\Unet\TransUnet-ori\data\Synapse\train_npz\\'for i,img_path inenumerate(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(r'G:\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。
defwrite_name():#npz文件路径
files = glob.glob(r'C:\Users\22120\Desktop\Swin-Unet-main\data\Synapse\test_vol_h5\*.npz')#txt文件路径
f =open(r'C:\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！
版权归原作者 小小小MaYi 所有， 如有侵权，请联系我们删除。