[train hyper-parameters: Namespace(base_size=400, batch_size=16, crop_size=256, epochs=10, lr=0.01, lrf=0.001)]
[epoch: 1]
global correct: 0.9716
precision: ['0.9934', '0.6329', '0.3479', '0.3796']
recall: ['0.9934', '0.7185', '0.3998', '0.1878']
IoU: ['0.9868', '0.5072', '0.2286', '0.1437']
mean IoU: 0.4666
[epoch: 2]
global correct: 0.9758
precision: ['0.9934', '0.6556', '0.5929', '0.4193']
recall: ['0.9965', '0.7658', '0.1590', '0.3923']
IoU: ['0.9900', '0.5461', '0.1434', '0.2542']
mean IoU: 0.4834
[epoch: 3]
global correct: 0.9755
precision: ['0.9894', '0.6570', '0.6022', '0.5040']
recall: ['0.9988', '0.7176', '0.1980', '0.2540']
IoU: ['0.9882', '0.5220', '0.1751', '0.2032']
mean IoU: 0.4721
[epoch: 4]
global correct: 0.9775
precision: ['0.9938', '0.6901', '0.6620', '0.4663']
recall: ['0.9968', '0.7634', '0.1813', '0.5161']
IoU: ['0.9906', '0.5685', '0.1659', '0.3244']
mean IoU: 0.5124
[epoch: 5]
global correct: 0.9788
precision: ['0.9949', '0.7022', '0.6789', '0.4913']
recall: ['0.9966', '0.8055', '0.1941', '0.5448']
IoU: ['0.9915', '0.6004', '0.1778', '0.3483']
mean IoU: 0.5295
[epoch: 6]
global correct: 0.9789
precision: ['0.9924', '0.7266', '0.6647', '0.5247']
recall: ['0.9982', '0.7564', '0.2226', '0.5098']
IoU: ['0.9907', '0.5888', '0.2002', '0.3488']
mean IoU: 0.5321
[epoch: 7]
global correct: 0.9801
precision: ['0.9938', '0.7817', '0.6202', '0.5068']
recall: ['0.9980', '0.7256', '0.3424', '0.6149']
IoU: ['0.9918', '0.6033', '0.2830', '0.3847']
mean IoU: 0.5657
[epoch: 8]
global correct: 0.9804
precision: ['0.9942', '0.7829', '0.5746', '0.5233']
recall: ['0.9980', '0.7266', '0.4267', '0.5661']
IoU: ['0.9922', '0.6047', '0.3243', '0.3735']
mean IoU: 0.5737
[epoch: 9]
global correct: 0.9815
precision: ['0.9948', '0.7471', '0.6227', '0.5930']
recall: ['0.9978', '0.8016', '0.4029', '0.5090']
IoU: ['0.9926', '0.6305', '0.3238', '0.3772']
mean IoU: 0.5811
[epoch: 10]
global correct: 0.9817
precision: ['0.9950', '0.7682', '0.6219', '0.5668']
recall: ['0.9977', '0.7849', '0.4018', '0.5781']
IoU: ['0.9927', '0.6346', '0.3229', '0.4009']
mean IoU: 0.5878
没有合适的资源?快使用搜索试试~ 我知道了~
深度学习 Unet+Resnet 实战分割项目、多尺度训练、多类别分割:BraTS3d脑肿瘤图像切分的2D图片分割项目(4分类)
共2000个文件
png:1983个
py:8个
xml:5个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 2 下载量 56 浏览量
2024-04-03
21:19:27
上传
评论 2
收藏 505.76MB ZIP 举报
温馨提示
本项目为 Unet(backbone为Resnet)多尺度分割实战项目,包含数据集、代码、训练好的权重文件。经测试,代码可以直接使用 项目介绍:总大小953MB 本项目数据集:BraTS 3d脑肿瘤图像 网络仅仅训练了10个epochs,全局像素点的准确度达到0.98,训练epoch加大的话,性能还会更加优越 代码介绍: 【训练】train 脚本会自动训练,代码会自动将数据随机缩放为设定尺寸的0.5-1.5倍之间,实现多尺度训练。为了实现多分割项目,utils中的compute_gray函数会将mask灰度值保存在txt文本,并且自动为UNET网络定义输出的channel 【介绍】学习率采用cos衰减,训练集和测试集的损失和iou曲线可以在run_results文件内查看,图像由matplotlib库绘制。除此外,还保存了训练日志,最好权重等,在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等 【推理】把待推理图像放在inference目录下,直接运行predict脚本即可,无需设定参数 具体参考README文件,小白均可使用
资源推荐
资源详情
资源评论
收起资源包目录
深度学习 Unet+Resnet 实战分割项目、多尺度训练、多类别分割:BraTS3d脑肿瘤图像切分的2D图片分割项目(4分类) (2000个子文件)
BRATS_001_52.png 11KB
BRATS_001_49.png 10KB
BRATS_363_99.png 2KB
BRATS_223_74.png 2KB
BRATS_223_86.png 2KB
BRATS_223_81.png 2KB
BRATS_223_92.png 2KB
BRATS_223_70.png 2KB
BRATS_285_72.png 2KB
BRATS_363_103.png 2KB
BRATS_020_72.png 2KB
BRATS_285_70.png 2KB
BRATS_363_104.png 2KB
BRATS_363_105.png 2KB
BRATS_285_65.png 2KB
BRATS_303_70.png 2KB
BRATS_285_73.png 1KB
BRATS_241_55.png 1KB
BRATS_303_60.png 1KB
BRATS_314_56.png 1KB
BRATS_117_77.png 1KB
BRATS_197_100.png 1KB
BRATS_240_64.png 1KB
BRATS_241_58.png 1KB
BRATS_141_76.png 1KB
BRATS_303_62.png 1KB
BRATS_249_78.png 1KB
BRATS_241_59.png 1KB
BRATS_249_87.png 1KB
BRATS_249_84.png 1KB
BRATS_411_73.png 1KB
BRATS_249_82.png 1KB
BRATS_141_70.png 1KB
BRATS_240_67.png 1KB
BRATS_249_81.png 1KB
BRATS_303_74.png 1KB
BRATS_117_80.png 1KB
BRATS_197_92.png 1KB
BRATS_206_66.png 1KB
BRATS_404_65.png 1KB
BRATS_241_60.png 1KB
BRATS_482_96.png 1KB
BRATS_303_75.png 1KB
BRATS_411_66.png 1KB
BRATS_206_60.png 1KB
BRATS_206_78.png 1KB
BRATS_249_73.png 1KB
BRATS_117_67.png 1KB
BRATS_285_76.png 1KB
BRATS_404_66.png 1KB
BRATS_279_62.png 1KB
BRATS_008_62.png 1KB
BRATS_411_79.png 1KB
BRATS_207_64.png 1KB
BRATS_341_73.png 1KB
BRATS_207_69.png 1KB
BRATS_334_62.png 1KB
BRATS_320_67.png 1KB
BRATS_242_74.png 1KB
BRATS_207_62.png 1KB
BRATS_093_71.png 1KB
BRATS_241_62.png 1KB
BRATS_320_61.png 1KB
BRATS_482_99.png 1KB
BRATS_088_94.png 1KB
BRATS_334_64.png 1KB
BRATS_334_65.png 1KB
BRATS_279_65.png 1KB
BRATS_265_102.png 1KB
BRATS_283_89.png 1KB
BRATS_020_80.png 1KB
BRATS_404_62.png 1KB
BRATS_088_84.png 1KB
BRATS_320_58.png 1KB
BRATS_001_49_result.png 1KB
BRATS_265_100.png 1KB
BRATS_295_60.png 1KB
BRATS_320_57.png 1KB
BRATS_404_69.png 1KB
BRATS_475_94.png 1KB
BRATS_334_61.png 1KB
BRATS_266_87.png 1KB
BRATS_020_81.png 1KB
BRATS_279_58.png 1KB
BRATS_341_74.png 1KB
BRATS_206_81.png 1KB
BRATS_266_92.png 1KB
BRATS_265_94.png 1KB
BRATS_093_73.png 1KB
BRATS_157_50.png 1KB
BRATS_241_71.png 1KB
BRATS_020_85.png 1KB
BRATS_088_100.png 1KB
BRATS_482_104.png 1KB
BRATS_283_93.png 1KB
BRATS_156_58.png 1KB
BRATS_137_69.png 1KB
BRATS_155_72.png 1KB
BRATS_241_68.png 1KB
BRATS_141_52.png 1KB
共 2000 条
- 1
- 2
- 3
- 4
- 5
- 6
- 20
资源评论
- 2301_768893672024-05-01感谢资源主的分享,这个资源对我来说很有用,内容描述详尽,值得借鉴。
Ai医学图像分割
- 粉丝: 2w+
- 资源: 2128
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 用Python在控制台绘制爱心形状的技术实例
- 用Python编程实现控制台爱心形状绘制技术教程
- 这是 YOLOv4 的 pytorch 存储库,可以使用自定义数据集进行训练 .zip
- 这是 HIC-Yolov5 的存储库.zip
- 这只是另一个 YOLO V2 实现 在 jupyter 笔记本中训练您自己的数据集!.zip
- PicGo 是一个用于快速上传图片并获取图片 URL 链接的工具
- uniapp vue3 自定义下拉刷新组件pullRefresh,带释放刷新状态、更新时间、加载动画
- WINDOWS 2003邮箱服务器搭建
- 距离-IoU 损失更快、更好的边界框回归学习 (AAAI 2020).zip
- 该项目是运行在RK3588平台上的Yolo多线程推理demo,已适配读取视频文件和摄像头信号,demo采用Yolov8n模型进行文件推理,最高推理帧率可达100帧,秒 .zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功