深度学习实战：UNet模型的训练与测试详解
目录
- 1、云实例：配置选型与启动
- 1.1 登录注册
- 1.2 配置 SSH 密钥对
- 1.3 创建实例
- 1.4 登录云实例
- 2、云存储：数据集上传与下载
- 3、云开发：眼底血管分割案例
- 3.1 案例背景
- 3.2 网络搭建
- 3.3 网络训练
- 3.4 模型测试
1、云实例：配置选型与启动
1.1 登录注册
首先进入登录界面注册并登录账号
1.2 配置 SSH 密钥对
配置 SSH 密钥对的作用是后续远程登录服务器不需要密码验证，更加方便。
首先创建本地公钥，进入本地.ssh目录输入ssh-keygen -o命令，这里文件名可以设置为id_dsa，也可以是其他任意名字
之后我们可以在.ssh目录看到刚刚创建的两个文件
id_dsa id_dsa.pub
其中id_dsa.pub就是需要的公钥文件
进入密钥对配置，创建密钥对，将id_dsa.pub的内容复制到这里就可以
1.3 创建实例
进入GPU 云实例，点击创建实例。如下图所示，按需选择需要的 GPU 型号和镜像
1.4 登录云实例
等待实例创建完成后，点击复制“访问链接”。
接着来到任意一个 SSH 连接终端进行云实例登录，我这里选择的是 VSCode，如下所示
成功后，输入：
nvidia-smi
torch.cuda.is_available()
简单验证一下功能即可，如下所示即为成功
2、云存储：数据集上传与下载
文件存储为网络共享存储，可挂载至的不同实例中。相比本地数据盘，其优势是实例间共享，可以多点读写，不受实例释放的影响；此外存储后端有多冗余副本，数据可靠性非常高；但缺陷是 IO 性能一般
考虑到以上优劣，推荐使用方式：将重要数据或代码存放于文件存储中，所有实例共享，便利的同时数据可靠性也有保障；在训练时，需要高 IO 性能的数据（如训练数据），先拷贝到实例本地数据盘，从本地盘读数据获得更好的 IO 性能。如此兼顾便利、安全和性能。
接下来，我们将训练数据上传到云实例数据盘中。使用scp工具如下
scp -rP 35740 ./DRIVE-SEG-DATA root@cn-north-b.ssh.damodel.com:/root/workspace
具体地：
35740与cn-north-b.ssh.damodel.com分别为端口号和远程地址，请参考 1.4 节替换为自己的参数
./DRIVE-SEG-DATA是本地数据集路径
/root/workspace是远程实例数据集路径
数据的下载也是类似的命令
scp -rP 35740 root@cn-north-b.ssh.damodel.com:/root/workspace ./DRIVE-SEG-DATA
本文提到的数据集可以在DRIVE 数据集中下载:链接：https://drive.grand-challenge.org/Download/
3、云开发：眼底血管分割案例
3.1 案例背景
眼底也称为眼球的内膜，包括黄斑、视网膜和视网膜中央动静脉等结构。在临床医学中，眼底图像是眼科医生对眼疾病患者进行诊断的重要依据。随着深度学习的发展，医学影像分割技术产生了深远的变化，尤其是卷积神经网络 AlexNet、VGGNet、GoogLeNet、ResNet 等，能够学习到更加抽象和高级的特征表示，从而实现更加精确的分割结果。深度学习模型在大规模数据上训练后，通常能够获得更好的泛化能力，即对未见过的数据也能做出相对准确的预测。对于医学影像分割来说，这意味着模型可以更好地适应不同类型和来源的医学图像数据，提高了分割结果的可靠性和稳定性。同时，深度学习技术支持端到端的学习方式，即从原始输入数据直接学习到最终的分割结果，无需手工设计复杂的特征提取和预处理流程。这简化了分割算法的开发流程，提高了效率和准确性。此外，医学影像数据常常包含多种模态，如 CT、MRI 等。深度学习技术能够更好地处理多模态数据，实现不同模态之间的信息融合，从而提高了医学影像分割的准确性和全面性
本次实践，我们采用 UNet 进行眼底血管医学图像分割任务。UNet 是一种被广泛应用于语义分割任务的网络结构，其编码器-解码器结构以及跳跃连接的设计，使其能够有效地捕获图像中不同尺度的特征信息，从而在眼底血管分割任务中取得较好的效果。同时，在推理阶段，UNet 采用全卷积网络结构，能够快速对新的眼底图像进行血管分割，为临床应用提供了实时性支持。
3.2 网络搭建
选用 U-Net 网络结构作为基础分割模型的原因在于其通过编解码器架构，有效地结合局部信息和全局信息，提高分割准确性；同时，U-Net 的跳跃连接结构有助于保留和恢复图像中的细节和边缘信息，且在小样本情况下表现优异，能够充分利用有限数据进行有效训练，广泛应用于医学图像分割任务中。网络架构如下
class UNet(nn.Module):
def __init__(self, n_channels, n_classes, bilinear=True):
super(UNet, self).__init__()
self.n_channels = n_channels
self.n_classes = n_classes
self.bilinear = bilinear
self.inc = DoubleConv(n_channels, 64)
self.down1 = Down(64, 128)
self.down2 = Down(128, 256)
self.down3 = Down(256, 512)
self.down4 = Down(512, 512)
self.up1 = Up(1024, 256, bilinear)
self.up2 = Up(512, 128, bilinear)
self.up3 = Up(256, 64, bilinear)
self.up4 = Up(128, 64, bilinear)
self.outc = OutConv(64, n_classes)
def forward(self, x):
x1 = self.inc(x)
x2 = self.down1(x1)
x3 = self.down2(x2)
x4 = self.down3(x3)
x5 = self.down4(x4)
x = self.up1(x5, x4)
x = self.up2(x, x3)
x = self.up3(x, x2)
x = self.up4(x, x1)
logits = self.outc(x)
return logits
3.3 网络训练
基于 PyTorch 的神经网络训练流程可以分为以下步骤(不考虑前期数据准备和模型结构)：
定义损失函数 根据任务类型选择合适的损失函数（loss function），如分类任务常用的交叉熵损失（Cross-Entropy Loss）或回归任务中的均方误差（Mean Square Error）。
选择优化器 选择合适的优化器（optimizer），如随机梯度下降（SGD）、Adam 或 RMSprop，并设置初始学习率及其它优化参数。
训练模型 在训练过程中，通过迭代训练数据集来调整模型参数。每个迭代周期称为一个 epoch。对于每个 epoch，数据会被分成多个 batch，每个 batch 被输入到模型中进行前向传播、计算损失、反向传播更新梯度，并最终优化模型参数。
保存模型 当满足需求时，可以将训练好的模型保存下来，以便后续部署和使用。
根据这个步骤编写以下代码
def train_net(net, device, data_path, epochs=40, batch_size=1, lr=0.00001):
dataset = Dateset_Loader(data_path)
per_epoch_num = len(dataset) / batch_size
train_loader = torch.utils.data.DataLoader(dataset=dataset,
batch_size=batch_size,
shuffle=True)
optimizer = optim.Adam(net.parameters(),lr=lr,betas=(0.9, 0.999),eps=1e-08, weight_decay=1e-08,amsgrad=False)
criterion = nn.BCEWithLogitsLoss()
best_loss = float('inf')
loss_record = []
with tqdm(total=epochs*per_epoch_num) as pbar:
for epoch in range(epochs):
net.train()
for image, label in train_loader:
optimizer.zero_grad()
image = image.to(device=device, dtype=torch.float32)
label = label.to(device=device, dtype=torch.float32)
pred = net(image)
loss = criterion(pred, label)
pbar.set_description("Processing Epoch: {} Loss: {}".format(epoch+1, loss))
if loss < best_loss:
best_loss = loss
torch.save(net.state_dict(), 'best_model.pth')
loss.backward()
optimizer.step()
pbar.update(1)
loss_record.append(loss.item())
plt.figure()
plt.plot([i+1 for i in range(0, len(loss_record))], loss_record)
plt.title('Training Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.savefig('/root/shared-storage/results/training_loss.png')
运行这个脚本，可以在终端看到进度
训练损失函数如下，可以看到已经收敛
3.4 模型测试
测试逻辑如下所示，主要是计算 IoU 指标
def cal_miou(test_dir="/root/workspace/DRIVE-SEG-DATA/Test_Images",
pred_dir="/root/workspace/DRIVE-SEG-DATA/results", gt_dir="/root/workspace/DRIVE-SEG-DATA/Test_Labels",
model_path='best_model_drive.pth'):
name_classes = ["background", "vein"]
num_classes = len(name_classes)
if not os.path.exists(pred_dir):
os.makedirs(pred_dir)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
net = UNet(n_channels=1, n_classes=1)
net.to(device=device)
net.load_state_dict(torch.load(model_path, map_location=device))
net.eval()
img_names = os.listdir(test_dir)
image_ids = [image_name.split(".")[0] for image_name in img_names]
time.sleep(1)
for image_id in tqdm(image_ids):
image_path = os.path.join(test_dir, image_id + ".png")
img = cv2.imread(image_path)
origin_shape = img.shape
img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
img = cv2.resize(img, (512, 512))
img = img.reshape(1, 1, img.shape[0], img.shape[1])
img_tensor = torch.from_numpy(img)
img_tensor = img_tensor.to(device=device, dtype=torch.float32)
pred = net(img_tensor)
pred = np.array(pred.data.cpu()[0])[0]
pred[pred >= 0.5] = 255
pred[pred < 0.5] = 0
pred = cv2.resize(pred, (origin_shape[1], origin_shape[0]), interpolation=cv2.INTER_NEAREST)
cv2.imwrite(os.path.join(pred_dir, image_id + ".png"), pred)
hist, IoUs, PA_Recall, Precision = compute_mIoU_gray(gt_dir, pred_dir, image_ids, num_classes, name_classes)
miou_out_path = "/root/shared-storage/results/"
show_results(miou_out_path, hist, IoUs, PA_Recall, Precision, name_classes)
模型保存的时候保存到共享存储路径/root/shared-storage，其他实例可以直接从共享存储中获取训练后的模型
