【论文10】复现代码tips
一、预备工作1.创建一个虚拟环境
conda create --name drgcnn38 python=3.8.18 https://i-blog.csdnimg.cn/direct/49661e28a2d54133856ab27117e99c63.png
2.激活虚拟环境
conda activate drgcnn38 https://i-blog.csdnimg.cn/direct/0c5e8fba719544389adbcb8e055b49de.png
注意事项
在Pycharm中终端（terminal）显示PS而不是虚拟环境base
问题如下所示
https://i-blog.csdnimg.cn/direct/d7d9514ded8b47e2a99aadc39320525e.png
解决方法：shell路径改成cmd.exe
https://i-blog.csdnimg.cn/direct/a6df910e894540458e7dd46f11075a59.png
重启终端显示虚拟环境
https://i-blog.csdnimg.cn/direct/af228c7ecb324ae3b005f129fbb7c53c.png
3.安装torch
conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 cpuonly -c pytorch 安装一系列包
注意事项
Pycharm远程毗连Linux服务器实现代码同步
1.工具-->部署-->设置
https://i-blog.csdnimg.cn/direct/5fc31afbec814d548d7c6cf687bccb5b.png
2.选择SFTP远程毗连，路径填与服务器要同步的路径地点
https://i-blog.csdnimg.cn/direct/bcbb5379c9c64a5b847d9bf927604b80.png
二、代码学习
各部门的作用
[*]eye_pre_process：视网膜眼底图像预处理惩罚模块。
[*]Encoder：编码器练习模块。
[*]modules：包罗模型结构、丧失函数和学习率低落计谋。
[*]utils：包罗一些常用函数和评估指标。
[*]BFFN：双眼特征融合网络练习模块。
[*]CAM：种别注意力模块。
eye_pre_process
copy.py
# 创建一个ArgumentParser对象，用于处理命令行参数
parser = argparse.ArgumentParser()
# 添加一个命令行参数 '--image-folder'，类型为字符串，默认值为 'D:/cv_paper/lesson/Dataset/ceshi'
# 这个参数用于指定输入图像的文件夹路径
parser.add_argument('--image-folder', type=str, default=r'D:/cv_paper/lesson/Dataset/ceshi')
# 添加一个命令行参数 '--output-folder'，类型为字符串，默认值为 'D:\cv_paper\lesson/Dataset/ceshi_output'
# 注意：这里路径中的反斜杠在不同的操作系统中可能需要特别注意，Python字符串中推荐使用原始字符串（r前缀）来避免转义字符的问题
# 这个参数用于指定输出结果的文件夹路径
parser.add_argument('--output-folder', type=str, default=r'D:\cv_paper\lesson/Dataset/ceshi_output')
# 添加一个命令行参数 '--crop-size'，类型为整数，默认值为512
# 这个参数用于指定图像裁剪的大小
parser.add_argument('--crop-size', type=int, default=512, help='crop size of image')
# 添加一个命令行参数 '-n' 或 '--num-processes'，类型为整数，默认值为8
# 这个参数用于指定处理任务时要使用的进程数
# '-n' 是 '--num-processes' 的简写形式，帮助信息说明了该参数的作用
parser.add_argument('-n', '--num-processes', type=int, default=8, help='number of processes to use') # 转换一个包含多个任务的列表，每个任务由文件名、目标路径和裁剪大小组成
# 对于jobs列表中的每个任务（索引为j），它首先检查是否已经处理了100个任务（作为进度指示），然后调用convert函数来执行实际的图像转换。
def convert_list(i, jobs):
for j, job in enumerate(jobs):
# 每处理100个任务打印一次进度
if j % 100 == 0:
print(f'worker{i} has finished {j} tasks.')
# 解包任务元组并调用convert函数
convert(*job)
# 转换单个图像文件，包括模糊处理、裁剪和保存
def convert(fname, tgt_path, crop_size):
img = Image.open(fname)# 打开图像文件
blurred = img.filter(ImageFilter.BLUR)# 应用模糊滤镜
ba = np.array(blurred)# 将图像转换为NumPy数组
h, w, _ = ba.shape# 获取图像的高度、宽度和通道数
# 尝试根据图像的亮度分布来识别前景区域
if w > 1.2 * h:
# 计算左右两侧的最大亮度值
left_max = ba[:, :w // 32, :].max(axis=(0, 1)).astype(int)
right_max = ba[:, -w // 32:, :].max(axis=(0, 1)).astype(int)
max_bg = np.maximum(left_max, right_max)
foreground = (ba > max_bg + 10).astype(np.uint8)# 识别前景区域
bbox = Image.fromarray(foreground).getbbox()# 获取前景区域的最小边界框
# 如果边界框太小或不存在，则打印消息并可能设置为None
if bbox is None:
print(f'No bounding box found for {fname} (???)')
else:
left, upper, right, lower = bbox
if right - left < 0.8 * h or lower - upper < 0.8 * h:
print(f'Bounding box too small for {fname}')
bbox = None
else:
bbox = None# 如果图像已经是合适的宽高比，则不尝试识别前景
# 如果未找到有效的边界框，则使用正方形边界框
if bbox is None:
bbox = square_bbox(img)
# 使用边界框裁剪图像，并调整大小
cropped = img.crop(bbox)
cropped = cropped.resize(, Image.ANTIALIAS)# 注意：ANTIALIAS可能是个拼写错误，应该是ANTIALIASIS
save(cropped, tgt_path)# 保存图像
# 返回一个正方形裁剪框的边界
def square_bbox(img):
w, h = img.size
left = max((w - h) // 2, 0)
upper = 0
right = min(w - (w - h) // 2, w)
lower = h
return (left, upper, right, lower)
# 保存PIL图像到文件
def save(img, fname):
img.save(fname, quality=100, subsampling=0)# 注意：subsampling参数可能不是所有格式都支持
# 假设的main函数，用于组织整个流程（注意：这里只是一个示例）
def main():
# 示例任务列表，每个任务是一个(文件名, 目标路径, 裁剪大小)元组
jobs = [
('input1.jpg', 'output1_resized.jpg', 256),
('input2.jpg', 'output2_resized.jpg', 256),
# ... 更多任务
]
# 假设有一个工作者ID为1
convert_list(1, jobs)
if __name__ == "__main__":
main() Encoder
main.py
# 定义主函数入口
def main():
# 解析配置参数
args = parse_configuration()
# 加载配置文件
cfg = load_config(args.config)
# 获取配置中保存的路径
save_path = cfg.config_base.config_save_path
# 如果保存路径不存在，则创建该路径
if not os.path.exists(save_path):
os.makedirs(save_path)
# 将配置文件复制到保存路径
copy_config(args.config, cfg.config_base.config_save_path)
# 执行工作函数
worker(cfg)
# 定义工作函数，负责训练、验证和测试模型
def worker(cfg):
# 根据配置生成模型
model = generate_model(cfg)
# 计算模型总参数数量
total_param = 0
for param in model.parameters():
total_param += param.numel()
print("Parameter: %.2fM" % (total_param / 1e6))# 打印模型参数数量（单位：百万）
# 根据配置生成训练、验证和测试数据集
train_dataset, test_dataset, val_dataset = generate_dataset(cfg)
# 初始化性能评估器
estimator = PerformanceEvaluator(cfg.config_train.config_criterion, cfg.config_data.config_num_classes)
# 执行训练过程
train(
cfg=cfg,
model=model,
train_dataset=train_dataset,
val_dataset=val_dataset,
estimator=estimator,
)
# 测试最佳验证模型性能
print('This is the performance of the best validation model:')
checkpoint = os.path.join(cfg.config_base.config_save_path, 'best_validation_weights.pt')
cfg.config_train.config_checkpoint = checkpoint# 设置检查点路径为最佳验证模型
model = generate_model(cfg)# 重新生成模型以加载权重
evaluate(cfg, model, test_dataset, estimator)# 评估模型性能
# 测试最终模型性能
print('This is the performance of the final model:')
checkpoint = os.path.join(cfg.config_base.config_save_path, 'final_weights.pt')
cfg.config_train.config_checkpoint = checkpoint# 设置检查点路径为最终模型
model = generate_model(cfg)# 重新生成模型以加载权重
evaluate(cfg, model, test_dataset, estimator)# 评估模型性能
# 如果此脚本作为主程序运行，则调用main函数
if __name__ == '__main__':
main() Encoder_predict.py
举行模型的练习，详细来说，它定义了一个练习循环&#x
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]