TransUnet训练自己的数据集

github的源代码https://github.com/Beckschen/TransUNet

一.先对自己的数据集进行处理

1.原始数据集如下图所示分images和labels，若数据集是png/jpg....格式，首先需要将每一张图的image和其对应的label合并转化为一个.npz文件.

# 自建的将图片及对应标签合并为一个npz格式数据的转换代码
import cv2
import glob
import numpy as npdef npz():# 图像路径path = r'D:/train/images/*.png'# 项目中存放训练所用的npz文件路径path2 = r'D:/data/Synapse/train_npz//'  for i, img_path in enumerate(glob.glob(path)):# 读入图像image = cv2.imread(img_path, flags=0)image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 读入标签label_path = img_path.replace('images', 'labels')label = cv2.imread(label_path, flags=0)   #flag=0时为灰度图像#label = cv2.imread(label_path)   #现在为彩色图像#label = cv2.cvtColor(label, cv2.COLOR_BGR2RGB)# 保存npznp.savez(path2 + str(i), image=image, label=label)print('', i)if __name__ == '__main__':npz()

train文件转化为 train_npz文件；val转化为test_vol_h5文件，如图（注意这里训练集与测试集均转化为.npz格式，需修改读取文件的方法，具体是修改datasets/dataset_synapse.py文件中的Synapse_dataset类，修改__getitem__函数和datasets/dataset_synapse.py文件中的RandomGenerator类，修改__call__函数）

npz文件生成完成之后，找到train.txt和test_vol.txt，清空文件夹中的内容，按照原内容的格式对应train_npz文件与test_vol_h5文件中.npz文件的全部文件名分别写入train.txt/test_vol.txt文件，一个名称一行（参考原内容的格式）。

2.若数据集为.npz格式，则直接加载

二.开始训练

1.修改train.py（根据自己需要修改红线部分）

2.根据自己需要，看是否加载预训练权重

通过修改train.py中 args.is_pretrain = True # False 与 net.load_from(weights=np.load(config_vit.pretrained_path)) 实现

若要加载预训练权重则将权重文件放在model中

则可以开始训练，运行train.py

三.训练中我出现花费较长时间的报错，以及解决方法

1.在生成train_npz文件与test_vol_h5文件时

报错：libpng warning: iCCP: known incorrect sRGB profile

解决：通过别的方法读取再保存即可解决。

path = r"D:/Desktop/car/all/train/labels/" #为文件的路径
fileList = os.listdir(path)
for i in tqdm(fileList):image = io.imread(path+i)  # image = io.imread(os.path.join(path, i))image = cv2.cvtColor(image, cv2.COLOR_RGBA2BGRA)cv2.imencode('.png',image)[1].tofile(path+i)

2.训练过程中

报错：not enough memory:you tried to allocate

因为我用的cpu，应该是内存不够了

解决方法：将batchsize减少，之前我设置的是4，改为2后就可以正常运行了

3.报错：FileNotFoundError: [Errno 2] No such file or directory