基于Unet和Resnet101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技术

简介：
本项目利用改进的Unet结合ResNet101模型，在DRIVE数据集上进行视网膜图像中的视神经精确分割，采用多尺度训练策略以提升不同分辨率下的分割精度和鲁棒性。 本项目为 Unet+Resnet101 多尺度分割实战项目（包含数据集），其中Unet的backbone更换为resnet101，并使用DRIVE视神经2类别分割数据集进行训练。项目的总大小约为203MB。 该项目具备以下特点： - **自动多尺度训练**：train脚本会将输入的数据随机缩放至设定尺寸的0.5到1.5倍之间，实现多尺度训练。 - **mask灰度值保存及网络输出定义**：在utils中的compute_gray函数中，可以找到用于计算并保存mask灰度值的方法，并且该方法还会自动为UNET网络定义输出通道的数量。 - **自定义预处理功能**：所有的数据预处理代码均经过重新实现，在transforms.py文件中可以查看具体的细节和逻辑。 项目训练了50个epochs后，miou达到了大约0.79。学习率采用余弦退火策略调整，并且在run_results目录内保存了训练集与测试集的损失及iou曲线图（由matplotlib库绘制），同时还记录下了详细的训练日志文件以及最佳模型权重。 此外，预测脚本能够自动推理inference子目录下所有图片的内容。整个代码都添加有注释说明，便于用户理解和调试；如有需求想用自己的数据进行训练，请参考README文件中的指导信息以实现简易的操作流程。