Cascaded-fcn: problema de prueba modelo

¿Hay algún truco que me haya olvidado?

El resultado parece extraño. Asegúrese de que puede ejecutar el cuaderno tal como está y obtener los resultados correctos antes de realizar modificaciones.

El código es el mismo que muestra en el cuaderno, por lo tanto, no puedo encontrar dónde está mal el código, ¿puede darme alguna orientación? gracias

Tuve el mismo problema contigo, te enteraste? Le agradecería si puede compartir su salida. @manutdzou

Creo que el modelo publicado es incorrecto, cuando entreno mi propio modelo y uso el código anterior, funciona bien y el resultado es bueno.

@reniewell @mohamed-ezz

Esa es una gran noticia @manutdzou . Eres más que bienvenido a escribir una solicitud de extracción y ofrecer tu modelo entrenado al público. Simplemente cargue su modelo en un servidor de archivos público y modifique el archivo Léame con el enlace y su nombre.

Vaya, obtuve el mismo resultado extraño que tu primer resultado. Entonces estoy seguro de que este modelo lanzado no es tan bueno. De todos modos, reconstruí U-Net en TensorFlow, el resultado de mi predicción no es tan bueno pero tampoco extraño.

@manutdzou . Hola chicos, ¿pueden compartir su código?
Muchas gracias.

Hola a todos,
Acabo de actualizar el archivo Léame y agregué imágenes acoplables, que ejecuta nuestro código sin problemas.
Consulte el archivo Léame para obtener más detalles sobre cómo iniciar la imagen de la ventana acoplable.
El resultado esperado debería parecerse a esta impresión.
Los mejores deseos,
Patricio
cascada_unet_inferencia.pdf.pdf

@PatrickChrist Hola Patrick, gracias por el gran trabajo, pero cuando trato de usar el modelo preentrenado, encuentro que nvidia-docker es difícil de instalar y ¿podría compartir un modelo preentrenado correcto sin usar nvidia-docker?

@zakizhou Creo que debido a que este es un problema de reproducibilidad, Docker es nuestra mejor apuesta para lograrlo.

nvidia-docker solo se necesita si desea procesar los archivos en la GPU. Sin embargo, puede usar docker si está de acuerdo con ejecutar en la CPU.

Si está ejecutando una distribución de Linux, ¿cuáles son los problemas que enfrenta para instalar nvidia-docker ?

Los modelos también se comparten en https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn , puede usarlos en su entorno de host (sin Docker)

@mohamed-ezz gracias por su respuesta, estoy usando ubuntu sin gpus, de hecho probé docker en lugar de nvidia-docker pero, lamentablemente, cuando traté de importar el modelo caffe preentrenado, el núcleo de jupyter cuaderno tirado y no entiendo por qué. Como dijo @manutdzou en este número, el modelo preentrenado aquí https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn funciona mal en la imagen de muestra. Instalé caffe con conda, ¿crees que es la versión incorrecta de caffe la que causó este problema?

Sí, es probable que sea la versión café. Utilice la imagen de la ventana acoplable.

El 4 de julio de 2017 a las 5:45 p. m., "Jie Zhou" [email protected] escribió:

@mohamed-ezz https://github.com/mohamed-ezz gracias por tu respuesta, soy
usando ubuntu sin gpus, de hecho, probé docker en lugar de
nvidia-docker pero, lamentablemente, cuando traté de importar el modelo caffe preentrenado,
el núcleo del cuaderno jupyter se descargó y no entiendo por qué. Cómo qué
@manutdzou https://github.com/manutdzou dijo en este número, el
modelo preentrenado aquí https://github.com/IBBM/Cascaded-FCN/tree/master/
models/cascadedfcn funciona mal en la imagen de muestra. instalé café
con conda, ¿crees que es la versión incorrecta de caffe la que causó esto?
¿problema?

—
Estás recibiendo esto porque te mencionaron.
Responda a este correo electrónico directamente, véalo en GitHub
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312908109 ,
o silenciar el hilo
https://github.com/notifications/unsubscribe-auth/ADqENQMhAJvhyvV1SZ5ApQelMqNhBlTMks5sKl39gaJpZM4M4ckQ
.

@mohamed-ezz OK, probaría el modelo en un servidor con gpu, ¡gracias de nuevo!

No se necesita una gpu, solo use la ventana acoplable con la imagen en README.md, en su lugar
de nvidia-docker.

El 4 de julio de 2017 a las 6:59 p. m., "Jie Zhou" [email protected] escribió:

@mohamed-ezz https://github.com/mohamed-ezz OK, probaría el modelo en un
servidor con gpu, gracias de nuevo!

—
Estás recibiendo esto porque te mencionaron.
Responda a este correo electrónico directamente, véalo en GitHub
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312919887 ,
o silenciar el hilo
https://github.com/notifications/unsubscribe-auth/ADqENQh6pIiGyQYTbKSOx_2reMDlja3Cks5sKm-GgaJpZM4M4ckQ
.

He lanzado una versión del modelo de hígado derecho y lesión en Baidu. Puedo usar este modelo así

`importar sistema operativo
sys.path.insert(0, '/inicio/zhou/zou/caffe_ws/python')
sys.path.insert(0,'/home/zhou/zou/Cascaded-FCN/lib')
importar numpy como np
desde matplotlib importar pyplot como plt
café de importación

result_path = "/home/zhou/zou/Cascaded-FCN/code/result/"
si no os.path.exists (result_path):
os.makedirs(ruta_resultado)

im_list = open('test_lesion_list.txt', 'r').read().splitlines()

cafe.set_mode_gpu()
cafe.set_device(0)
net_liver = caffe.Net('implementar.prototxt', 'liver.caffemodel', caffe.TEST)
net_lesion = caffe.Net('implementar.prototxt', 'lesion.caffemodel', caffe.TEST)

hígado = 1
lesión = 2
para i en el rango (0, len (im_list)):
im = np.load(im_list[i].split(' ')[0])
máscara = np.load(im_list[i].split(' ')[1])
in_ = np.array(im, dtype=np.float32)
in_expand = in_[np.newaxis, ...]
blob = in_expand[np.newaxis, :, :, :]

net_liver.blobs['data'].reshape(*blob.shape)
net_liver.blobs['data'].data[...] = blob
net_liver.forward()
output_liver = net_liver.blobs['prob'].data[0].argmax(axis=0)

net_lesion.blobs['data'].reshape(*blob.shape)
net_lesion.blobs['data'].data[...] = blob
net_lesion.forward()
output_lesion = net_lesion.blobs['prob'].data[0].argmax(axis=0)

output = output_liver
ind_1 = np.where(output_liver ==0)
output_lesion[ind_1] = 255
ind_2 = np.where(output_lesion ==0)
output[ind_2] = 2

plt.figure(figsize=(3*5,10))
plt.subplot(1, 3, 1)
plt.title('CT')
plt.imshow(im[92:-92,92:-92], 'gray')
plt.subplot(1, 3, 2)
plt.title('GT')
plt.imshow(mask, 'gray')
plt.subplot(1, 3, 3)
plt.title('pred')
plt.imshow(output, 'gray')
path = result_path + im_list[i].split(' ')[0].split('/')[-1][0:-3] +'jpg'
plt.savefig(path)
plt.close()

`
se muestra algún resultado

@mohamed-ezz @RenieWell @mjiansun @PatrickChrist @PiaoLiangHXD

capa {
nombre: "datos"
tipo: "Entrada"
arriba: "datos"
input_param { forma: { dim: 1 dim: 1 dim: 572 dim: 572 } }
}

capa {
nombre: "conv_d0a-b"
tipo: "Convolución"
abajo: "datos"
arriba: "d0b"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 64
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d0b"
tipo: "ReLU"
abajo: "d0b"
arriba: "d0b"
}
capa {
nombre: "conv_d0b-c"
tipo: "Convolución"
abajo: "d0b"
arriba: "d0c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 64
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d0c"
tipo: "ReLU"
abajo: "d0c"
arriba: "d0c"
}
capa {
nombre: "piscina_d0c-1a"
tipo: "agrupación"
abajo: "d0c"
arriba: "d1a"
pooling_param {
piscina: MÁX.
kernel_size: 2
zancada: 2
}
}
capa {
nombre: "conv_d1a-b"
tipo: "Convolución"
abajo: "d1a"
arriba: "d1b"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 128
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d1b"
tipo: "ReLU"
abajo: "d1b"
arriba: "d1b"
}
capa {
nombre: "conv_d1b-c"
tipo: "Convolución"
abajo: "d1b"
arriba: "d1c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 128
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d1c"
tipo: "ReLU"
abajo: "d1c"
arriba: "d1c"
}
capa {
nombre: "piscina_d1c-2a"
tipo: "agrupación"
abajo: "d1c"
arriba: "d2a"
pooling_param {
piscina: MÁX.
kernel_size: 2
zancada: 2
}
}
capa {
nombre: "conv_d2a-b"
tipo: "Convolución"
abajo: "d2a"
arriba: "d2b"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 256
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d2b"
tipo: "ReLU"
abajo: "d2b"
arriba: "d2b"
}
capa {
nombre: "conv_d2b-c"
tipo: "Convolución"
abajo: "d2b"
arriba: "d2c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 256
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d2c"
tipo: "ReLU"
abajo: "d2c"
arriba: "d2c"
}
capa {
nombre: "piscina_d2c-3a"
tipo: "agrupación"
abajo: "d2c"
arriba: "d3a"
pooling_param {
piscina: MÁX.
kernel_size: 2
zancada: 2
}
}
capa {
nombre: "conv_d3a-b"
tipo: "Convolución"
abajo: "d3a"
arriba: "d3b"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 512
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d3b"
tipo: "ReLU"
abajo: "d3b"
arriba: "d3b"
}
capa {
nombre: "conv_d3b-c"
tipo: "Convolución"
abajo: "d3b"
arriba: "d3c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 512
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d3c"
tipo: "ReLU"
abajo: "d3c"
arriba: "d3c"
}

capa {
nombre: "piscina_d3c-4a"
tipo: "agrupación"
abajo: "d3c"
arriba: "d4a"
pooling_param {
piscina: MÁX.
kernel_size: 2
zancada: 2
}
}
capa {
nombre: "conv_d4a-b"
tipo: "Convolución"
abajo: "d4a"
arriba: "d4b"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 1024
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d4b"
tipo: "ReLU"
abajo: "d4b"
arriba: "d4b"
}
capa {
nombre: "conv_d4b-c"
tipo: "Convolución"
abajo: "d4b"
arriba: "d4c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 1024
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "relu_d4c"
tipo: "ReLU"
abajo: "d4c"
arriba: "d4c"
}

capa {
nombre: "upconv_d4c_u3a"
tipo: "Deconvolución"
abajo: "d4c"
arriba: "u3a"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 512
almohadilla: 0
kernel_size: 2
zancada: 2
peso_relleno {
tipo: "javier"
}
}
}

capa {
nombre: "relu_u3a"
tipo: "ReLU"
abajo: "u3a"
arriba: "u3a"
}
capa {
nombre: "crop_d3c-d3cc"
tipo: "Recortar"
abajo: "d3c"
abajo: "u3a"
arriba: "d3cc"

}
capa {
nombre: "concat_d3cc_u3a-b"
tipo: "Concat"
abajo: "u3a"
abajo: "d3cc"
arriba: "u3b"
}
capa {
nombre: "conv_u3b-c"
tipo: "Convolución"
abajo: "u3b"
arriba: "u3c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 512
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u3c"
tipo: "ReLU"
abajo: "u3c"
arriba: "u3c"
}
capa {
nombre: "conv_u3c-d"
tipo: "Convolución"
abajo: "u3c"
arriba: "u3d"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 512
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u3d"
tipo: "ReLU"
abajo: "u3d"
arriba: "u3d"
}
capa {
nombre: "upconv_u3d_u2a"
tipo: "Deconvolución"
abajo: "u3d"
arriba: "u2a"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 256
almohadilla: 0
kernel_size: 2
zancada: 2
peso_relleno {
tipo: "javier"
}
}
}
capa {
nombre: "relu_u2a"
tipo: "ReLU"
abajo: "u2a"
arriba: "u2a"
}
capa {
nombre: "crop_d2c-d2cc"
tipo: "Recortar"
abajo: "d2c"
abajo: "u2a"
arriba: "d2cc"

}
capa {
nombre: "concat_d2cc_u2a-b"
tipo: "Concat"
abajo: "u2a"
abajo: "d2cc"
arriba: "u2b"
}
capa {
nombre: "conv_u2b-c"
tipo: "Convolución"
abajo: "u2b"
arriba: "u2c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 256
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u2c"
tipo: "ReLU"
abajo: "u2c"
arriba: "u2c"
}
capa {
nombre: "conv_u2c-d"
tipo: "Convolución"
abajo: "u2c"
arriba: "u2d"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 256
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u2d"
tipo: "ReLU"
abajo: "u2d"
arriba: "u2d"
}
capa {
nombre: "upconv_u2d_u1a"
tipo: "Deconvolución"
abajo: "u2d"
arriba: "u1a"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 128
almohadilla: 0
kernel_size: 2
zancada: 2
peso_relleno {
tipo: "javier"
}
}
}
capa {
nombre: "relu_u1a"
tipo: "ReLU"
abajo: "u1a"
arriba: "u1a"
}
capa {
nombre: "crop_d1c-d1cc"
tipo: "Recortar"
abajo: "d1c"
abajo: "u1a"
arriba: "d1cc"

}
capa {
nombre: "concat_d1cc_u1a-b"
tipo: "Concat"
abajo: "u1a"
abajo: "d1cc"
arriba: "u1b"
}
capa {
nombre: "conv_u1b-c"
tipo: "Convolución"
abajo: "u1b"
arriba: "u1c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 128
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u1c"
tipo: "ReLU"
abajo: "u1c"
arriba: "u1c"
}
capa {
nombre: "conv_u1c-d"
tipo: "Convolución"
abajo: "u1c"
arriba: "u1d"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 128
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u1d"
tipo: "ReLU"
abajo: "u1d"
arriba: "u1d"
}
capa {
nombre: "upconv_u1d_u0a_NUEVO"
tipo: "Deconvolución"
abajo: "u1d"
arriba: "u0a"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 64
almohadilla: 0
kernel_size: 2
zancada: 2
peso_relleno {
tipo: "javier"
}
}
}
capa {
nombre: "relu_u0a"
tipo: "ReLU"
abajo: "u0a"
arriba: "u0a"
}
capa {
nombre: "crop_d0c-d0cc"
tipo: "Recortar"
abajo: "d0c"
abajo: "u0a"
arriba: "d0cc"

}
capa {
nombre: "concat_d0cc_u0a-b"
tipo: "Concat"
abajo: "u0a"
abajo: "d0cc"
arriba: "u0b"
}
capa {
nombre: "conv_u0b-c_Nuevo"
tipo: "Convolución"
abajo: "u0b"
arriba: "u0c"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 64
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u0c"
tipo: "ReLU"
abajo: "u0c"
arriba: "u0c"
}
capa {
nombre: "conv_u0c-d_Nuevo"
tipo: "Convolución"
abajo: "u0c"
arriba: "u0d"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 64
almohadilla: 0
tamaño_del_núcleo: 3
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}
capa {
nombre: "relu_u0d"
tipo: "ReLU"
abajo: "u0d"
arriba: "u0d"
}
capa {
nombre: "conv_u0d-score_New"
tipo: "Convolución"
abajo: "u0d"
arriba: "puntuación"
parámetro {
lr_mult: 1
decay_mult: 1
}
parámetro {
lr_mult: 2
decaimiento_mult: 0
}
parámetro_convolución {
num_salida: 2
almohadilla: 0
tamaño_del_núcleo: 1
peso_relleno {
tipo: "javier"
}
motor: CAFE
}
}

capa {
nombre: "probable"
tipo: "Softmax"
abajo: "puntuación"
arriba: "probable"
}

Gran trabajo @manutdzou
Gracias por su apoyo. ¿Te importaría comprometer tu trabajo en este repositorio?
¿Podríamos tener una carpeta model-zoo/manutdzou en la que publique su código como cuaderno y su prototxt y los enlaces a baidu como archivo de texto? Otros usuarios definitivamente lo apreciarán. Si tiene un artículo sobre su trabajo, también podemos agregarlo.

Ok, si mi código y modelo funcionan bien, ¡estaré encantado de comprometerme en este repositorio!

发自网易邮箱大师
El 07/07/2017 17:33, Patrick Christ escribió:

Gran trabajo @manutdzou
Gracias por su apoyo. ¿Te importaría comprometer tu trabajo en este repositorio?
¿Podríamos tener una carpeta model-zoo/manutdzou en la que publique su código como cuaderno y su prototxt y los enlaces a baidu como archivo de texto? Otros usuarios definitivamente lo apreciarán. Si tiene un artículo sobre su trabajo, también podemos agregarlo.

—
Estás recibiendo esto porque te mencionaron.
Responda a este correo electrónico directamente, véalo en GitHub o silencie el hilo.