Unet与Resnet在深度学习中的应用：实战腹部多脏器五类分割项目及多尺度训练技巧

简介：
本文探讨了基于Unet和Resnet模型的深度学习技术在腹部多脏器五类分割项目中的应用，并介绍了有效的多尺度训练技巧，以提高模型性能。 本项目为基于Unet+Resnet的多尺度分割实战项目（包含数据集），其中Unet的骨干网络被替换为了ResNet。 **数据集介绍：** 采用的是腹部多脏器5类别的分割数据集，总大小约为363MB。 **项目说明：** 1. **训练脚本自动执行**：train 脚本能自动进行模型训练。代码会将输入的数据随机缩放为设定尺寸的0.5到1.5倍之间，以实现多尺度训练效果。在utils模块中的compute_gray函数中实现了mask灰度值保存至txt文件的功能，并且该脚本还会根据需求定义UNET网络输出通道的数量。 2. **预处理功能**：项目的全部预处理函数都经过了重新设计和优化，在transforms.py 文件中有详细的实现代码供查阅。 3. **训练效果与结果展示**：模型在50个epochs的训练后，miou（平均交并比）达到了约0.84。学习率采用余弦退火策略调整。run_results文件夹内保存了训练集和测试集上的损失值及IoU曲线图，并且利用matplotlib库绘制这些图像结果；此外还保留有详细的训练日志、最佳权重等信息，使得每个类别及其全局像素点的准确度指标（如iou、recall、precision）一目了然。 4. **预测功能**：项目提供了一个推理脚本，能够自动处理inference文件夹下的所有图片进行分割任务。 整个代码库中添加了大量的注释以帮助理解。如果需要训练自己的数据集，请参考README文档中的指南操作即可轻松运行。