【DDRNet】DDRNet项目使用单GPU、自己的数据集训练、得到测试图像-易微帮

最近需要对一些细胞图像进行分割，需要比较几个模型之间的优劣，于是找到了DDRNet。

DDRNet项目来源：https://github.com/chenjun2hao/DDRNet.pytorch

1.前言

电脑环境配置：win11+NVIDIA GeForce RTX 3060 Laptop+CUDA11.7

如果想用他的数据集cityscapes和他的预训练模型，可以根据上面的项目来源中的指示来做，下载好像都要科学上网。

预训练模型选择这个：

cityscapes数据下载：

2.数据集准备

2.1自己数据准备

我的原始数据集是512*512的彩色细胞图像，DDRNet所需要的语义标签图像是8位的灰度图，其中像素点的灰度值即为语义标签的值：

原图如下，我选择了四个标签值【0,1,2,3】分别代表【背景图案，好细胞，坏细胞，细胞边缘】，转化成label后灰度值即为【0,1,2,3】：

上图转化为label之后图像如下：看起来漆黑一片，其实不完全是黑色的。。。

获得了image和label之后，在DDRNet工程项目的data文件夹下创建新的文件夹，我命名为drug，同时在list下创建文件夹drug。将image和label放入文件夹下，同时编辑list下的映射文件,最终data文件夹格式如下：

创建list的相对路径映射文件代码如下：
import os
def op_file():
    # train
    train_image_root = 'image/train/'
    train_label_root = 'label/train/'
    train_image_path = 'data/drug/image/train'
    train_label_path = 'data/drug/label/train'

    trainImageList = os.listdir(train_image_path)
    trainLabelList = os.listdir(train_label_path)

    train_image_list = []
    for image in trainImageList:
        train_image_list.append(train_image_root + image)

    train_label_list = []
    for label in trainLabelList:
        train_label_list.append(train_label_root + label)

    train_list_path = 'data/list/drug/train.lst'
    file = open(train_list_path, 'w').close()
    with open(train_list_path, 'w', encoding='utf-8') as f:
        for i1,i2 in zip(train_image_list, train_label_list):
            print(i1, i2)
            f.write(i1 + "   " + i2 + "\n")
    f.close()

    # test
    test_image_root = 'image/test/'
    test_label_root = 'label/test/'
    test_image_path = 'data/drug/image/test'

    testImageList = os.listdir(test_image_path)

    test_image_list = []
    for image in testImageList:
        test_image_list.append(test_image_root + image)

    test_list_path = 'data/list/drug/test.lst'
    file = open(test_list_path, 'w').close()
    with open(test_list_path, 'w', encoding='utf-8') as f:
        for i1 in test_image_list:
            f.write(i1 + "\n")
    f.close()

    # val
    val_image_root = 'image/val/'
    val_label_root = 'label/val/'
    val_image_path = 'data/drug/image/val'
    val_label_path = 'data/drug/label/val'

    valImageList = os.listdir(val_image_path)
    valLabelList = os.listdir(val_label_path)

    val_image_list = []
    for image in valImageList:
        val_image_list.append(val_image_root + image)

    val_label_list = []
    for label in valLabelList:
        val_label_list.append(val_label_root + label)

    val_list_path = 'data/list/drug/val.lst'
    file = open(val_list_path, 'w').close()
    with open(val_list_path, 'w', encoding='utf-8') as f:
        for (i1,i2) in zip(val_image_list, val_label_list):
            f.write(i1 + "   " + i2 + "\n")
    f.close()

    # trainval
    trainval_list_path = 'data/list/drug/trainval.lst'
    file = open(trainval_list_path, 'w').close()
    with open(trainval_list_path, 'w', encoding='utf-8') as f:
        for (i1,i2) in zip(train_image_list, train_label_list):
            f.write(i1 + "   " + i2 + "\n")
    f.close()

    with open(trainval_list_path, 'a', encoding='utf-8') as f:
        for (i1,i2) in zip(val_image_list, val_label_list):
            f.write(i1 + "   " + i2 + "\n")
    f.close()

if __name__ == '__main__':
    op_file()
2.2 和自己数据相关的工程代码修改

在lib/datasets下创建Drug.py,复制同级目录下的cityscapes.py，在此基础上修改：

1.文件中的所有和cityscapes都改成drug

2.修改mean和std，这个应该是需要根据原图来进行计算。计算方法https://blog.csdn.net/dcrmg/article/details/102467434

3.修改label_mapping和class_weight

label_mapping需要啥改啥，我就四个标签0,1,2,3...初始权重class_weight需要通过计算得到，计算方法有很多种

4.在_init_.py中导入drug.py

5.打开experiments/cityscapes下的ddrnet23_slim.yaml进行修改：

DATASET是你在data下创建的存放image和label的文件夹，NUM_CLASSES是标签数

根据你的图片大小进行修改，BASE_SIZE我不知道咋搞，但是我改了512没什么问题，就512了，hhhhhh...

如果你的GPU显存不够的话把BATCH_SIZE_PRE_GPU改小吧，我的3060笔记本才6GB的显存

test同理：

6.打开./lib/models/ddrnet_23_slim.py，DualResNet_imagenet函数中的num_classes默认设置成了19，需要修改成自己的：

至此为止，如果你和原文一样有两块GPU的话（原文两块3080），能用DDP的分布式训练的话，应该就能跑了。但很显然，我没有这个条件，还需继续进行修改。

3.修改为单GPU

把train和eval中所有和并行训练的代码注释掉

1.train.py

main()中，注释掉：

else中的并行训练没注释掉，反正也跑不进去

2.eval.py中的并行测试注释掉：

3.ddrnet23_slim.py中

GPUS也可以不用动，反正不并行训练应该也用不上

修改为单GPU好像就这些地方了，可能会漏了一些地方，因为修修改改太多了，有点忘记了，总而言之，把全部和并行训练有关的代码注释掉。

4.训练数据

做好上述工作就可以进行训练了，如果你用的不是ddrnet23_slim.yaml，又直接python trian.py的，需要修改train.py中的parse_args（）中的默认配置文件。我使用385张图像训练结果如下：

miou才0.51，之前用600张的结果能达到0.63

5.测试数据

5.1 得到测试结果

        现在我们获得一个训练好的模型（用自己的数据），这个模型保存在output文件夹中的best.pth.

修改best.pth为385train.pth，并修改ddrnet23_slim.py中的预训练模型配置，修改为自己的路径（好像不改也没影响，忘记了，不确定）。

修改eval.py，由于配置文件中的TEST.MODEL_FILE被注释掉了，需要修改者eval.py中的代码：

或者修改配置文件：



如果你不需要输出图像，至此就可以进行测试了，但我需要得到分割后的图像，需要继续修改

5.2 得到测试分割图像

        eval中是设置了不保存图像的，我们需要修改成保存图像，将sv_pred设置为True

这样还不够，他的testval中的save_pred（）多写了一个参数，直接删掉img。



这样你就可以得到分割后的图像了，项目会自动生成一个test_resluts的文件夹，保存了你的分割结果

5.3 测试结果



分割图像结果从广度上来看还行，细节上还有些错误，不过我这个数据集用在这个模型上的结果中是相当好。