TransUnet官方代码测试自己的数据集（已训练完毕）

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

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。

在这里插入图片描述
权重文件

2. 修改test.py文件

调整数据集路径。
在这里插入图片描述
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。
在这里插入图片描述
手动添加权重。

3. 设置DataLoader

设置DataLoader中参数num_workers=0。
在这里插入图片描述

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。

deftest_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 inrange(1, classes):
        metric_list.append(calculate_metric_percase(prediction == i, label == i))if test_save_path isnotNone:
        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。

在这里插入图片描述