深度学习|TransUnet官方代码测试自己的数据集（已训练完毕） pytorch|python|人工智能|卷积神经

*************************************************** 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。

文章图片

权重文件

文章图片

2. 修改test.py文件
调整数据集路径。

文章图片

训练和测试时的图像设置相同大小。

文章图片

配置数据集相关信息。

文章图片

手动添加权重。

文章图片

3. 设置DataLoader
设置DataLoader中参数num_workers=0。

文章图片

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 = outmetric_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] = 20a2[a2 == 1] = 255 a2[a2 == 2] = 255 a2[a2 == 3] = 0 a2[a2 == 4] = 10a3[a3 == 1] = 255 a3[a3 == 2] = 77 a3[a3 == 3] = 0 a3[a3 == 4] = 120a1 = 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。
【深度学习|TransUnet官方代码测试自己的数据集（已训练完毕）】