-
确定数据集是DRIVE还是CHASEDB1,对不同文件的init_xxx()进行选择
-
设定数据划分(DRIVE 40张/CHASEDB1 28张分为训练集,验证集和测试集),并运行UNet_preprocess.py
-
在代码里面修改注释项来选择模型是UNet还是UNet++
-
在代码里面修改注释项来选择模型是否使用数据增强
-
运行代码UNet_train.py(合理修改训练参数,如epochs/weight decay/learning rate)
ps:目前没有加上学习率调整schedule,可后续补上
-
运行代码UNet_predict.py,获取验证结果
ps:目前的metrics只设置了Dice系数
-
当前的验证集和测试集是从所有测试数据中划分得到的,最终写报告的时候的指标应该是所有测试图像的测试结果
-
目前的代码不够精简,读文件部分偷懒了沿用的以前的菜鸡代码_(:з」∠)_,导致出现了多个文件复制副本,且对文件名、路径名相当敏感;且继续偷懒使用global变量对某些值进行定义可能在不知名的地方出一些bug,欢迎修改(^o^)/~
-
UNet++代码逻辑(训练与测试)是否通顺未进行测试,欢迎测试
-
CHASEDB1测试逻辑是否通顺未进行测试,欢迎测试
-
测试前先修改pre_process里面的测试数据量。。