import os import random import numpy as np import cv2 import keras from create_unet import create_model img_path = 'data_enh/img' mask_path = 'data_enh/mask' # 训练集与测试集的切分 img_files = np.array(os.listdir(img_path)) data_num = len(img_files) train_num = int(data_num * 0.8) train_ind = random.sample(range(data_num), train_num) test_ind = list(set(range(data_num)) - set(train_ind)) train_ind = np.array(train_ind) test_ind = np.array(test_ind) train_img = img_files[train_ind] # 训练的数据 test_img = img_files[test_ind] # 测试的数据 def get_mask_name(img_name): mask = [] for i in img_name: mask_name = i.replace('.jpg', '.png') mask.append(mask_name) return np.array(mask) train_mask = get_mask_name(train_img) test_msak = get_mask_name(test_img) def generator(img, mask, batch_size): num = len(img) while True: IMG = [] MASK = [] for i in range(batch_size): index = np.random.choice(num) img_name = img[index] mask_name = mask[index] img_temp = os.path.join(img_path, img_name) mask_temp = os.path.join(mask_path, mask_name) temp_img = cv2.imread(img_temp) temp_mask = cv2.imread(mask_temp, 0)/255 temp_mask = np.reshape(temp_mask, [256, 256, 1]) IMG.append(temp_img) MASK.append(temp_mask) IMG = np.array(IMG) MASK = np.array(MASK) yield IMG, MASK # train_data = generator(train_img, train_mask, 32) # temp_data = train_data.__next__() # 计算dice系数 def dice_coef(y_true, y_pred): y_true_f = keras.backend.flatten(y_true) y_pred_f = keras.backend.flatten(y_pred) intersection = keras.backend.sum(y_true_f * y_pred_f) area_true = keras.backend.sum(y_true_f * y_true_f) area_pred = keras.backend.sum(y_pred_f * y_pred_f) dice = (2 * intersection + 1)/(area_true + area_pred + 1) return dice # 自定义损失函数,dice_loss def dice_coef_loss(y_true, y_pred): return 1 - dice_coef(y_true, y_pred) # 模型的创建 model = create_model() # 模型的编译 model.compile(optimizer='Adam', loss=dice_coef_loss, metrics=[dice_coef]) # 模型的训练 history = model.fit_generator(generator(train_img, train_mask, 4), steps_per_epoch=100, epochs=10, validation_data=generator(test_img, test_msak, 4), validation_steps=4 ) # 模型的保存 model.save('unet_model.h5') # 模型的读取 model = keras.models.load_model('unet_model.h5', custom_objects={'dice_coef_loss': dice_coef_loss, 'dice_coef': dice_coef}) # 获取测试数据 test_generator = generator(test_img, test_msak, 32) img, mask = test_generator.__next__() # 模型的测试 model.evaluate(img, mask) # [0.11458712816238403, 0.885412871837616] 94%
时间: 2023-02-27 20:37:32 浏览: 130
上面这段代码是在导入一些库。它导入了 OS 库,Random 库,NumPy 库,CV2 库,Keras 库,以及一个叫做 Create_unet 的自定义模块。它还定义了两个字符串变量:img_path 和 mask_path,分别存储了图像数据和掩码数据的路径。
相关问题
import os import random import numpy as np import cv2 import keras from create_unet import create_mo...
这是一个Python脚本的开头,它使用了一些库和模块来创建一个名为"create_mo"的函数。这个函数可能是用来创建一个UNet模型,因为脚本中还导入了一个名为"create_unet"的模块。这个UNet模型可能是用于图像分割或图像处理任务,因为脚本中还导入了OpenCV库,它是一个用于计算机视觉任务的流行库。此外,脚本中还导入了Keras库,它是一个用于深度学习任务的流行库。
import os import sys from pathlib import Path import numpy as np import torch import cv2
这是一段Python代码,用于导入一些常用的库和模块。让我为你逐个介绍一下:
1. `import os`:这个模块提供了许多与操作系统交互的函数,例如文件和目录操作。
2. `import sys`:这个模块提供了对Python解释器的访问和控制,可以用来处理命令行参数等。
3. `from pathlib import Path`:`pathlib`模块提供了一种面向对象的方式来处理文件系统路径。`Path`类是`pathlib`模块中的一个重要类,可以用来创建、操作和查询文件路径。
4. `import numpy as np`:`numpy`是一个用于科学计算的Python库,提供了高性能的多维数组对象和相关的计算函数。
5. `import torch`:`torch`是一个用于机器学习和深度学习的Python库,提供了张量(tensor)数据结构和相关的计算函数。
6. `import cv2`:`cv2`是OpenCV库的Python接口,OpenCV是一个用于计算机视觉和图像处理的开源库,提供了许多图像处理和计算机视觉算法的实现。
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)