一、更改參數(shù)，訓(xùn)練Unet神經(jīng)網(wǎng)絡(luò)
1、更改的兩個(gè)方向：
（1）batch_size改大
（2）訓(xùn)練集改多，比如可以改成800.
（3）epoch可以稍微改小，從30改成20。
2、復(fù)習(xí)訓(xùn)練和跑訓(xùn)練集的方法
參考自己的文章“在Linux服務(wù)器上跑Python Unet程序”，其實(shí)自己記錄得不多，這里重新寫一遍跑的方法吧。
（1）服務(wù)器選擇：用greenpill跑；
（2）在自己電腦上改好代碼（參數(shù)和需要用到的數(shù)據(jù)集）；
（i）改train數(shù)據(jù)集：
在Unet_project文件夾下的Data文件夾下的兩個(gè)文件夾：“Data”和“GT_One_Class”分別代表原始圖片和對(duì)應(yīng)的ground truth。先把這里改掉。
注意，需要用到“renamer”軟件來(lái)確保原始圖片和groundtruth的對(duì)應(yīng)名稱是一樣的。
這次我把前13個(gè)原始圖像生成的擴(kuò)增圖像作為訓(xùn)練集，一共有871張圖片。
注意：數(shù)據(jù)集從最后一個(gè)字為1的文件夾里復(fù)制粘貼，這里的名字是改過(guò)的。
其次檢查名稱是否對(duì)應(yīng)：
第一個(gè)groudtruth圖的名稱是：“DS01_01.tif_0b2db155-af35-4c31-9586-f29fecb7e695”
第一個(gè)original圖的名稱是：“DS01_01.tif_0b2db155-af35-4c31-9586-f29fecb7e695”
是對(duì)應(yīng)的，可能因?yàn)橹案倪^(guò)名字了?，F(xiàn)在就不用改了。
（ii）改參數(shù)：
主要是改batch_size和epochs這兩個(gè)量。
在“main.py”里，batch_size是從batch_size = args.batchsize這句話中得到的。其實(shí)就是從函數(shù)“get_args”中得到的。
所以改參數(shù)，實(shí)際上就改函數(shù)“get_args”里的變量就可以了。
我把batch_size改成了5，epoches還是30。
（3）放到服務(wù)器上運(yùn)行
（i）把文件通過(guò)Winscp傳到greenpill上。
（ii）運(yùn)行python文件的方法：
直接先把目錄轉(zhuǎn)移到你需要運(yùn)行的python文件的目錄下，然后輸入如下指令：python main.py?就可以了。其中“main.py”是我需要運(yùn)行的文件。
轉(zhuǎn)移目錄的方法：比如：cd? /home/duola/file
（iii）用windows打開ubuntu軟件，輸入 ssh? 用戶名@主機(jī)地址，進(jìn)而鍵入密碼。
（iv）返回上一級(jí)的方法：cd -就可以了
3、復(fù)習(xí)測(cè)試集的test方法
（1）這個(gè)文件“result_visualization"位于visualization文件夾里，是進(jìn)行測(cè)試用的。
（2）測(cè)試前需要把由train的代碼生成的結(jié)果“weights0.pth”放入visualization文件夾內(nèi)。這個(gè)“weights0.pth”文件本身的路徑在Unet_project的Checkpoints下。
（3）測(cè)試前需要把visualization文件夾下的“img_test”文件夾下的“Data”和“GT_One_Class”文件夾分別存上測(cè)試圖的data和groundtruth
我放上剩余的由original_14和original_15擴(kuò)增得到了圖，一共有129張。
（4）然后把文件夾cd到test的python文件result_visualization.py所在的文件夾中，然后跑這個(gè)python程序。
4、運(yùn)行時(shí)出現(xiàn)的問(wèn)題
（1）服務(wù)器 oom了
可能是：train的圖片數(shù)量太多了？（不是這個(gè)原因）batch_size太大了？（是這個(gè)原因）
改main.py的參數(shù)，還是把batch改成2吧，然后直接丟到greenpill里把這個(gè)文件換掉。
從命令行里運(yùn)行的batch_size可以看出新的文件覆蓋掉了原來(lái)的文件。然后正常開始跑了。說(shuō)明batch_size設(shè)置成5不行，設(shè)置成2才可以。
（2）跑一個(gè)epoch的時(shí)間：10分鐘
5、寫一個(gè)能夠一口氣跑出所有test圖并且保存的代碼
（1）遠(yuǎn)程調(diào)試教程：（非常重要?。?/p>
http://www.itdecent.cn/p/9b362cdee2ab
（2）需要改result_visualization.py的代碼：
新建一個(gè)python文件叫做：result_visualization_1.py
（3）研究see_results這個(gè)函數(shù)：
see_results這個(gè)函數(shù)是從dir_img里導(dǎo)入原圖，dir_cmp里導(dǎo)入groundtruth，用這個(gè)函數(shù)“get_dataloader_show”來(lái)導(dǎo)入。
（4）研究get_data_loader_show這個(gè)函數(shù)
（i）在這個(gè)“get_dataloader_show”函數(shù)里，這一句其實(shí)我沒(méi)有太看懂：ids = [f[:-4] for f in os.listdir(dir_img)]
是只讀第一個(gè)名字嗎？
這個(gè)函數(shù)的返回值是一個(gè)dataloader
我新建了一個(gè)test進(jìn)行測(cè)試。文件名為“test_1.py”，保存在visualization這個(gè)文件夾內(nèi)。
其實(shí)不用寫test的，只需要這一句：
ids = [f[:-4] for f in os.listdir("./img_test/"+args.dataset+"/")]，即把dir_img具體化就可以了。
結(jié)果發(fā)現(xiàn)ids讀取了全部圖片的名字（不包括文件后綴。）
我進(jìn)而輸入了type(ids)查看文件類型。發(fā)現(xiàn)是一個(gè)list。
（ii）loader = get_dataloader_show(dir_img, dir_cmp)這里的loader是什么呢？是只包含一個(gè)圖還是包含了很多個(gè)圖呢？
loader 是一個(gè)class類型的數(shù)據(jù)。
在class中有一個(gè)函數(shù)叫g(shù)etitem，作用是ask for an image。是可以根據(jù)輸入的index獲取一張圖。
（5） 研究result_visualization_1.py 里for (data, gt) in loader:這段循環(huán)，到底是對(duì)一個(gè)圖循環(huán)還是對(duì)loader里的所有圖循環(huán)？
我在test_1.py中跑了，驚訝地發(fā)現(xiàn)結(jié)果是把所有的結(jié)果放在同一張圖上。類似這種效果：
這個(gè)感覺(jué)非常好哎！那我下一次可以試著用10個(gè)圖生成這個(gè)結(jié)果圖吧。
（6）實(shí)際嘗試：
一次處理10張照片又oom了。
6、結(jié)果總結(jié)
（1）original_image_14我處理了第一幅圖和前10幅圖；
（2）original_image_15我處理了第一幅圖和前10幅圖；
二、評(píng)價(jià)結(jié)果
https://github.com/lucianolorenti/ImageSegmentationEvaluation.jl
https://github.com/martinkersner/py_img_seg_eval? 這個(gè)代碼特別好
我需要找pixel-based matrix
那么我還是自己寫吧，基于https://github.com/martinkersner/py_img_seg_eval這個(gè)代碼自己去寫。
1、np.unique函數(shù)：該函數(shù)是去除數(shù)組中的重復(fù)數(shù)字，并進(jìn)行排序之后輸出。返回值通常是一個(gè)列表。
參考網(wǎng)址：https://blog.csdn.net/u012193416/article/details/79672729
2、for in enumerate這個(gè)循環(huán)：
例如：
3、explanation:
n_cl?: number of classes included in ground truth segmentation
n_ij?: number of pixels of class?i?predicted to belong to class?j
t_i?: total number of pixels of class?i?in ground truth segmentation
4、還是自己寫程序會(huì)更快一點(diǎn)吧
參考文章：https://blog.csdn.net/hjxu2016/article/details/79104607
讀入圖片的代碼：
from PIL import Image
import numpy as np
I = Image.open('./cc_1.png')
I.show()? ?
I.save('./save.png')
I_array = np.array(I)
print I_array.shape
這理我發(fā)現(xiàn)了一個(gè)問(wèn)題：保存的圖片的格式是png格式的?？隙ú恍?，我需要改成“.tiff”格式
爭(zhēng)取在1點(diǎn)前出完圖：結(jié)果：在1:30完成了出圖和對(duì)應(yīng)圖的PPT的書寫。
爭(zhēng)取在2點(diǎn)前寫完evaluation的代碼：結(jié)果：可能在3點(diǎn)左右才能寫完？3:18寫完
主要參考文獻(xiàn)是學(xué)長(zhǎng)發(fā)給我的那篇論文。
在代碼里我需要計(jì)算出以下幾個(gè)量：
n_tp：groundtruth為正，預(yù)測(cè)也為正
n_tn：groundtruth為負(fù)，預(yù)測(cè)也為負(fù)
n_fp：groundtruth為負(fù)，但是預(yù)測(cè)為正
n_fn：groundtruth為正，但是預(yù)測(cè)為負(fù)
正為前景（即255），負(fù)為背景（即0）
出現(xiàn)了問(wèn)題：n_tp,n_tn,n_fp,n_fn的總和和圖片的像素之和對(duì)應(yīng)不上。
解決辦法：我放到matlab里看一看吧。
出現(xiàn)問(wèn)題的原因是：
prediction里有介于0~255之間的值，我的處理方法是：大于255/2的都視為255，小于255/2的視為0。
爭(zhēng)取在4點(diǎn)前做完P(guān)PT：在3:41的時(shí)候我寫完了定量分析部分的PPT。爭(zhēng)取在4:00前寫完
其實(shí)主要是定量分析部分。
至于那邊要求的數(shù)據(jù)擴(kuò)增部分，參考：“（1-2）Python3.6進(jìn)行圖片及對(duì)應(yīng)groundtruth的data augmentation”這篇文章進(jìn)行增加。
增加完了。可以睡了。
