基于Unet和Resnet的深度学习实战：应用于DRIVE视神经分割项目的多尺度训练与多类别分割

简介：
本项目运用了深度学习技术中的Unet和ResNet模型，专注于DRIVE数据集上的视网膜影像处理。通过实施多尺度训练策略及实现多类别的精确分割，致力于提升视盘和血管区域的自动识别精度。该研究不仅为糖尿病性视网膜病变等眼科疾病的早期诊断提供了有力工具，还对医学图像分析领域具有重要参考价值。 本项目为 Unet+Resnet 多尺度分割实战项目（包含数据集），其中unet的backbone更换为了resnet结构。所使用的数据集是DRIVE视神经2类别分割数据集。 **项目介绍：** 总大小350MB。 1. **训练脚本自动执行，代码会将数据随机缩放为设定尺寸的0.5-1.5倍之间进行多尺度训练，并在utils中通过compute_gray函数保存mask灰度值到txt文本。同时，根据分割任务需求定义UNET网络输出通道数。 2. 项目中的预处理函数全部重新实现，在transforms.py文件内可以查看具体代码细节。 3. 网络经过50个epochs的训练后，miou达到了约0.8的成绩。学习率采用cosine衰减策略调整。在run_results文件夹中可以看到训练集和测试集上的损失值及iou曲线图（由matplotlib库生成）。此外还保存了详细的训练日志、最佳权重等信息，在这些日志文档里可以找到每个类别的miou、recall、precision以及全局像素点的准确率等等。 4. 预测脚本能够自动处理inference文件夹下的所有图片进行推理预测工作。 代码中添加了详细注释，便于用户理解与操作。如需使用自己的数据集训练模型，请参考README文档中的指导说明，按照指示步骤即可轻松运行项目。