【论文10】复现代码tips

一、预备工作

1.创建一个虚拟环境

1. conda create --name drgcnn38 python=3.8.18

复制代码

2.激活虚拟环境

1. conda activate drgcnn38

复制代码

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
  

  解决方法：shell路径改成cmd.exe
  

  重启终端显示虚拟环境
  

  3.安装torch

1. conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 cpuonly -c pytorch

复制代码

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
  

  2.选择SFTP远程毗连，路径填与服务器要同步的路径地点
  

  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

1. # 创建一个ArgumentParser对象，用于处理命令行参数  
2. parser = argparse.ArgumentParser()  
3.   
4. # 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'  
5. # 这个参数用于指定输入图像的文件夹路径  
6. parser.add_argument('--image-folder', type=str, default=r'D:/cv_paper/lesson/Dataset/ceshi')  
7.   
8. # 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'  
9. # 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  
10. # 这个参数用于指定输出结果的文件夹路径  
11. parser.add_argument('--output-folder', type=str, default=r'D:\cv_paper\lesson/Dataset/ceshi_output')  
12.   
13. # 添加一个命令行参数 '--crop-size'，类型为整数，默认值为512  
14. # 这个参数用于指定图像裁剪的大小  
15. parser.add_argument('--crop-size', type=int, default=512, help='crop size of image')  
16.   
17. # 添加一个命令行参数 '-n' 或 '--num-processes'，类型为整数，默认值为8  
18. # 这个参数用于指定处理任务时要使用的进程数  
19. # '-n' 是 '--num-processes' 的简写形式，帮助信息说明了该参数的作用  
20. parser.add_argument('-n', '--num-processes', type=int, default=8, help='number of processes to use')

复制代码

1. # 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  
2. # 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。
3. def convert_list(i, jobs):  
4.     for j, job in enumerate(jobs):  
5.         # 每处理100个任务打印一次进度  
6.         if j % 100 == 0:  
7.             print(f'worker{i} has finished {j} tasks.')  
8.         # 解包任务元组并调用convert函数  
9.         convert(*job)  
10.   
11. # 转换单个图像文件，包括模糊处理、裁剪和保存  
12. def convert(fname, tgt_path, crop_size):  
13.     img = Image.open(fname)  # 打开图像文件  
14.   
15.     blurred = img.filter(ImageFilter.BLUR)  # 应用模糊滤镜  
16.     ba = np.array(blurred)  # 将图像转换为NumPy数组  
17.     h, w, _ = ba.shape  # 获取图像的高度、宽度和通道数  
18.   
19.     # 尝试根据图像的亮度分布来识别前景区域  
20.     if w > 1.2 * h:  
21.         # 计算左右两侧的最大亮度值  
22.         left_max = ba[:, :w // 32, :].max(axis=(0, 1)).astype(int)  
23.         right_max = ba[:, -w // 32:, :].max(axis=(0, 1)).astype(int)  
24.         max_bg = np.maximum(left_max, right_max)  
25.   
26.         foreground = (ba > max_bg + 10).astype(np.uint8)  # 识别前景区域  
27.         bbox = Image.fromarray(foreground).getbbox()  # 获取前景区域的最小边界框  
28.   
29.         # 如果边界框太小或不存在，则打印消息并可能设置为None  
30.         if bbox is None:  
31.             print(f'No bounding box found for {fname} (???)')  
32.         else:  
33.             left, upper, right, lower = bbox  
34.             if right - left < 0.8 * h or lower - upper < 0.8 * h:  
35.                 print(f'Bounding box too small for {fname}')  
36.                 bbox = None  
37.     else:  
38.         bbox = None  # 如果图像已经是合适的宽高比，则不尝试识别前景  
39.   
40.     # 如果未找到有效的边界框，则使用正方形边界框  
41.     if bbox is None:  
42.         bbox = square_bbox(img)  
43.   
44.     # 使用边界框裁剪图像，并调整大小  
45.     cropped = img.crop(bbox)  
46.     cropped = cropped.resize([crop_size, crop_size], Image.ANTIALIAS)  # 注意：ANTIALIAS可能是个拼写错误，应该是ANTIALIASIS  
47.     save(cropped, tgt_path)  # 保存图像  
48.   
49. # 返回一个正方形裁剪框的边界  
50. def square_bbox(img):  
51.     w, h = img.size  
52.     left = max((w - h) // 2, 0)  
53.     upper = 0  
54.     right = min(w - (w - h) // 2, w)  
55.     lower = h  
56.     return (left, upper, right, lower)  
57.   
58. # 保存PIL图像到文件  
59. def save(img, fname):  
60.     img.save(fname, quality=100, subsampling=0)  # 注意：subsampling参数可能不是所有格式都支持  
61.   
62. # 假设的main函数，用于组织整个流程（注意：这里只是一个示例）  
63. def main():  
64.     # 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  
65.     jobs = [  
66.         ('input1.jpg', 'output1_resized.jpg', 256),  
67.         ('input2.jpg', 'output2_resized.jpg', 256),  
68.         # ... 更多任务  
69.     ]  
70.       
71.     # 假设有一个工作者ID为1  
72.     convert_list(1, jobs)  
73.   
74. if __name__ == "__main__":  
75.     main()  

复制代码

Encoder

main.py

1. # 定义主函数入口  
2. def main():  
3.     # 解析配置参数  
4.     args = parse_configuration()  
5.     # 加载配置文件  
6.     cfg = load_config(args.config)  
7.     # 获取配置中保存的路径  
8.     save_path = cfg.config_base.config_save_path  
9.     # 如果保存路径不存在，则创建该路径  
10.     if not os.path.exists(save_path):  
11.         os.makedirs(save_path)  
12.     # 将配置文件复制到保存路径  
13.     copy_config(args.config, cfg.config_base.config_save_path)  
14.     # 执行工作函数  
15.     worker(cfg)  
16.   
17. # 定义工作函数，负责训练、验证和测试模型  
18. def worker(cfg):  
19.     # 根据配置生成模型  
20.     model = generate_model(cfg)  
21.     # 计算模型总参数数量  
22.     total_param = 0  
23.     for param in model.parameters():  
24.         total_param += param.numel()  
25.     print("Parameter: %.2fM" % (total_param / 1e6))  # 打印模型参数数量（单位：百万）  
26.     # 根据配置生成训练、验证和测试数据集  
27.     train_dataset, test_dataset, val_dataset = generate_dataset(cfg)  
28.     # 初始化性能评估器  
29.     estimator = PerformanceEvaluator(cfg.config_train.config_criterion, cfg.config_data.config_num_classes)  
30.     # 执行训练过程  
31.     train(  
32.         cfg=cfg,  
33.         model=model,  
34.         train_dataset=train_dataset,  
35.         val_dataset=val_dataset,  
36.         estimator=estimator,  
37.     )  
38.   
39.     # 测试最佳验证模型性能  
40.     print('This is the performance of the best validation model:')  
41.     checkpoint = os.path.join(cfg.config_base.config_save_path, 'best_validation_weights.pt')  
42.     cfg.config_train.config_checkpoint = checkpoint  # 设置检查点路径为最佳验证模型  
43.     model = generate_model(cfg)  # 重新生成模型以加载权重  
44.     evaluate(cfg, model, test_dataset, estimator)  # 评估模型性能  
45.   
46.     # 测试最终模型性能  
47.     print('This is the performance of the final model:')  
48.     checkpoint = os.path.join(cfg.config_base.config_save_path, 'final_weights.pt')  
49.     cfg.config_train.config_checkpoint = checkpoint  # 设置检查点路径为最终模型  
50.     model = generate_model(cfg)  # 重新生成模型以加载权重  
51.     evaluate(cfg, model, test_dataset, estimator)  # 评估模型性能  
52.   
53. # 如果此脚本作为主程序运行，则调用main函数  
54. if __name__ == '__main__':  
55.     main()

复制代码

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。