Cascaded-fcn: masalah uji model

Apakah ada trik yang saya abaikan?

Hasilnya terlihat aneh. Pastikan Anda dapat menjalankan notebook apa adanya dan mendapatkan hasil yang benar, sebelum Anda melakukan modifikasi.

Kodenya sama dengan yang Anda tunjukkan di buku catatan, jadi saya tidak dapat menemukan di mana kodenya salah, dapatkah Anda memberi saya panduan? Terima kasih

Saya menemui masalah yang sama dengan Anda, apakah Anda mengetahuinya? Saya akan menghargai jika Anda dapat membagikan jalan keluar Anda. @manutdzou

Menurut saya model yang dirilis salah, ketika saya melatih sendiri model saya sendiri dan menggunakan kode di atas berfungsi dengan baik, dan hasilnya bagus

@RenieWell @mohamed-ezz

Itu berita bagus @manutdzou . Anda dipersilakan untuk menulis permintaan tarik dan menawarkan model terlatih Anda kepada publik. Cukup unggah model Anda ke filehoster publik dan ubah readme dengan tautan dan nama Anda.

Wow saya mendapat hasil aneh yang sama dengan hasil pertama Anda. Maka saya yakin model yang dirilis ini tidak begitu bagus. Pokoknya saya membangun kembali U-Net di TensorFlow, hasil prediksi saya tidak begitu bagus tapi tidak aneh.

@manutdzou . Halo guys, boleh share kodenya?
Terima kasih banyak.

Hai semuanya,
saya baru saja memperbarui Readme dan menambahkan gambar buruh pelabuhan, yang menjalankan kode kami dengan lancar.
Silakan lihat di Readme untuk detail lebih lanjut cara memulai gambar buruh pelabuhan.
Hasil yang diharapkan akan terlihat seperti cetakan ini.
Semoga sukses,
Patrick
cascaded_unet_inference.pdf.pdf

@PatrickChrist Hai Patrick, terima kasih atas kerja bagusnya, tetapi ketika saya mencoba menggunakan model yang telah dilatih sebelumnya, saya menemukan bahwa nvidia-docker sulit dipasang dan dapatkah Anda membagikan model pra-latihan yang benar tanpa menggunakan nvidia-docker

@zakizhou Saya pikir karena ini adalah masalah reproduktifitas, Docker adalah taruhan terbaik kami untuk mencapainya.

nvidia-docker diperlukan hanya jika Anda ingin memproses file di GPU. Namun, Anda dapat menggunakan docker jika Anda setuju dengan menjalankan CPU.

Jika Anda menjalankan distro linux, masalah apa yang Anda hadapi untuk menginstal nvidia-docker ?

Model juga dibagikan di https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn , Anda dapat menggunakannya di lingkungan Host Anda (tanpa Docker)

@mohamed-ezz terima kasih atas balasan Anda, saya menggunakan ubuntu tanpa GPU, memang saya telah mencoba docker alih-alih nvidia-docker tetapi sayangnya ketika saya mencoba mengimpor model caffe yang sudah dilatih, inti dari jupyter notebook dibuang dan saya tidak mengerti mengapa. Seperti yang dikatakan @manutdzou dalam edisi ini, model yang telah dilatih sebelumnya di sini https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn berkinerja buruk pada gambar sampel. Saya menginstal caffe dengan conda, apakah menurut Anda versi caffe yang salah yang menyebabkan masalah ini?

Ya itu kemungkinan versi caffe. Silakan gunakan gambar buruh pelabuhan.

Pada 4 Juli 2017 17:45, "Jie Zhou" [email protected] menulis:

@mohamed-ezz https://github.com/mohamed-ezz terima kasih atas balasan Anda, saya
menggunakan ubuntu tanpa GPU, memang saya sudah mencoba buruh pelabuhan sebagai gantinya
nvidia-docker tetapi sayangnya ketika saya mencoba mengimpor model caffe yang sudah terlatih,
inti dari notebook jupyter dibuang dan saya tidak mengerti mengapa. Seperti apa
@manutdzou https://github.com/manutdzou mengatakan dalam masalah ini, the
model terlatih di sini https://github.com/IBBM/Cascaded-FCN/tree/master/
model/cascadedfcn berkinerja buruk pada gambar sampel. Saya menginstal caffe
dengan conda, apakah menurut Anda versi caffe yang salah yang menyebabkan ini?
masalah?

—
Anda menerima ini karena Anda disebutkan.
Balas email ini secara langsung, lihat di GitHub
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312908109 ,
atau matikan utasnya
https://github.com/notifications/unsubscribe-auth/ADqENQMhAJvhyvV1SZ5ApQelMqNhBlTMks5sKl39gaJpZM4M4ckQ
.

@mohamed-ezz Oke, saya akan mencoba model di server dengan gpu, terima kasih lagi!

Tidak perlu gpu, cukup gunakan buruh pelabuhan dengan gambar di README.md, sebagai gantinya
dari nvidia-docker.

Pada 4 Juli 2017 18:59, "Jie Zhou" [email protected] menulis:

@mohamed-ezz https://github.com/mohamed-ezz Oke, saya akan mencoba model di
server dengan gpu, sekali lagi terima kasih!

—
Anda menerima ini karena Anda disebutkan.
Balas email ini secara langsung, lihat di GitHub
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312919887 ,
atau matikan utasnya
https://github.com/notifications/unsubscribe-auth/ADqENQh6pIiGyQYTbKSOx_2reMDlja3Cks5sKm-GgaJpZM4M4ckQ
.

Saya telah merilis versi model hati dan lesi kanan di Baidu dapat menggunakan model ini seperti ini

`impor sys,os
sys.path.insert(0, '/home/zhou/zou/caffe_ws/python')
sys.path.insert(0,'/home/zhou/zou/Cascaded-FCN/lib')
impor numpy sebagai np
dari matplotlib impor pyplot sebagai plt
kopi impor

result_path = "/home/zhou/zou/Cascaded-FCN/code/result/"
jika tidak os.path.exists(result_path):
os.makedirs(result_path)

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

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

hati = 1
luka = ​​2
untuk saya dalam range(0,len(im_list)):
im = np.load(im_list[i].split(' ')[0])
topeng = np.load(im_list[i].split(' ')[1])
in_ = np.array(im, dtype=np.float32)
in_expand = in_[np.newaxis, ...]
gumpalan = 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()

`
beberapa hasil ditampilkan

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

lapisan {
nama: "data"
ketik: "Masukan"
atas: "data"
input_param { bentuk: { redup: 1 redup: 1 redup: 572 redup: 572 } }
}

lapisan {
nama: "conv_d0a-b"
ketik: "Konvolusi"
bawah: "data"
atas: "d0b"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 64
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d0b"
ketik: "ReLU"
bawah: "d0b"
atas: "d0b"
}
lapisan {
nama: "conv_d0b-c"
ketik: "Konvolusi"
bawah: "d0b"
atas: "d0c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 64
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d0c"
ketik: "ReLU"
bawah: "d0c"
atas: "d0c"
}
lapisan {
nama: "pool_d0c-1a"
jenis: "Pengumpulan"
bawah: "d0c"
atas: "d1a"
pooling_param {
kolam renang: MAX
kernel_size: 2
langkah: 2
}
}
lapisan {
nama: "conv_d1a-b"
ketik: "Konvolusi"
bawah: "d1a"
atas: "d1b"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 128
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d1b"
ketik: "ReLU"
bawah: "d1b"
atas: "d1b"
}
lapisan {
nama: "conv_d1b-c"
ketik: "Konvolusi"
bawah: "d1b"
atas: "d1c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 128
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d1c"
ketik: "ReLU"
bawah: "d1c"
atas: "d1c"
}
lapisan {
nama: "pool_d1c-2a"
jenis: "Pengumpulan"
bawah: "d1c"
atas: "d2a"
pooling_param {
kolam renang: MAX
kernel_size: 2
langkah: 2
}
}
lapisan {
nama: "conv_d2a-b"
ketik: "Konvolusi"
bawah: "d2a"
atas: "d2b"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 256
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d2b"
ketik: "ReLU"
bawah: "d2b"
atas: "d2b"
}
lapisan {
nama: "conv_d2b-c"
ketik: "Konvolusi"
bawah: "d2b"
atas: "d2c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 256
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d2c"
ketik: "ReLU"
bawah: "d2c"
atas: "d2c"
}
lapisan {
nama: "pool_d2c-3a"
jenis: "Pengumpulan"
bawah: "d2c"
atas: "d3a"
pooling_param {
kolam renang: MAX
kernel_size: 2
langkah: 2
}
}
lapisan {
nama: "conv_d3a-b"
ketik: "Konvolusi"
bawah: "d3a"
atas: "d3b"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 512
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d3b"
ketik: "ReLU"
bawah: "d3b"
atas: "d3b"
}
lapisan {
nama: "conv_d3b-c"
ketik: "Konvolusi"
bawah: "d3b"
atas: "d3c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 512
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d3c"
ketik: "ReLU"
bawah: "d3c"
atas: "d3c"
}

lapisan {
nama: "pool_d3c-4a"
jenis: "Pengumpulan"
bawah: "d3c"
atas: "d4a"
pooling_param {
kolam renang: MAX
kernel_size: 2
langkah: 2
}
}
lapisan {
nama: "conv_d4a-b"
ketik: "Konvolusi"
bawah: "d4a"
atas: "d4b"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 1024
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d4b"
ketik: "ReLU"
bawah: "d4b"
atas: "d4b"
}
lapisan {
nama: "conv_d4b-c"
ketik: "Konvolusi"
bawah: "d4b"
atas: "d4c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 1024
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "relu_d4c"
ketik: "ReLU"
bawah: "d4c"
atas: "d4c"
}

lapisan {
nama: "upconv_d4c_u3a"
ketik: "Dekonvolusi"
bawah: "d4c"
atas: "u3a"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 512
bantalan: 0
kernel_size: 2
langkah: 2
berat_pengisi {
ketik: "xavier"
}
}
}

lapisan {
nama: "relu_u3a"
ketik: "ReLU"
bawah: "u3a"
atas: "u3a"
}
lapisan {
nama: "crop_d3c-d3cc"
jenis: "Pangkas"
bawah: "d3c"
bawah: "u3a"
atas: "d3cc"

}
lapisan {
nama: "concat_d3cc_u3a-b"
jenis: "Concat"
bawah: "u3a"
bawah: "d3cc"
atas: "u3b"
}
lapisan {
nama: "conv_u3b-c"
ketik: "Konvolusi"
bawah: "u3b"
atas: "u3c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 512
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u3c"
ketik: "ReLU"
bawah: "u3c"
atas: "u3c"
}
lapisan {
nama: "conv_u3c-d"
ketik: "Konvolusi"
bawah: "u3c"
atas: "u3d"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 512
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u3d"
ketik: "ReLU"
bawah: "u3d"
atas: "u3d"
}
lapisan {
nama: "upconv_u3d_u2a"
ketik: "Dekonvolusi"
bawah: "u3d"
atas: "u2a"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 256
bantalan: 0
kernel_size: 2
langkah: 2
berat_pengisi {
ketik: "xavier"
}
}
}
lapisan {
nama: "relu_u2a"
ketik: "ReLU"
bawah: "u2a"
atas: "u2a"
}
lapisan {
nama: "crop_d2c-d2cc"
jenis: "Pangkas"
bawah: "d2c"
bawah: "u2a"
atas: "d2cc"

}
lapisan {
nama: "concat_d2cc_u2a-b"
jenis: "Concat"
bawah: "u2a"
bawah: "d2cc"
atas: "u2b"
}
lapisan {
nama: "conv_u2b-c"
ketik: "Konvolusi"
bawah: "u2b"
atas: "u2c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 256
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u2c"
ketik: "ReLU"
bawah: "u2c"
atas: "u2c"
}
lapisan {
nama: "conv_u2c-d"
ketik: "Konvolusi"
bawah: "u2c"
atas: "u2d"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 256
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u2d"
ketik: "ReLU"
bawah: "u2d"
atas: "u2d"
}
lapisan {
nama: "upconv_u2d_u1a"
ketik: "Dekonvolusi"
bawah: "u2d"
atas: "u1a"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 128
bantalan: 0
kernel_size: 2
langkah: 2
berat_pengisi {
ketik: "xavier"
}
}
}
lapisan {
nama: "relu_u1a"
ketik: "ReLU"
bawah: "u1a"
atas: "u1a"
}
lapisan {
nama: "crop_d1c-d1cc"
jenis: "Pangkas"
bawah: "d1c"
bawah: "u1a"
atas: "d1cc"

}
lapisan {
nama: "concat_d1cc_u1a-b"
jenis: "Concat"
bawah: "u1a"
bawah: "d1cc"
atas: "u1b"
}
lapisan {
nama: "conv_u1b-c"
ketik: "Konvolusi"
bawah: "u1b"
atas: "u1c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 128
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u1c"
ketik: "ReLU"
bawah: "u1c"
atas: "u1c"
}
lapisan {
nama: "conv_u1c-d"
ketik: "Konvolusi"
bawah: "u1c"
atas: "u1d"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 128
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u1d"
ketik: "ReLU"
bawah: "u1d"
atas: "u1d"
}
lapisan {
nama: "upconv_u1d_u0a_NEW"
ketik: "Dekonvolusi"
bawah: "u1d"
atas: "u0a"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 64
bantalan: 0
kernel_size: 2
langkah: 2
berat_pengisi {
ketik: "xavier"
}
}
}
lapisan {
nama: "relu_u0a"
ketik: "ReLU"
bawah: "u0a"
atas: "u0a"
}
lapisan {
nama: "crop_d0c-d0cc"
jenis: "Pangkas"
bawah: "d0c"
bawah: "u0a"
atas: "d0cc"

}
lapisan {
nama: "concat_d0cc_u0a-b"
jenis: "Concat"
bawah: "u0a"
bawah: "d0cc"
atas: "u0b"
}
lapisan {
nama: "conv_u0b-c_New"
ketik: "Konvolusi"
bawah: "u0b"
atas: "u0c"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 64
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u0c"
ketik: "ReLU"
bawah: "u0c"
atas: "u0c"
}
lapisan {
nama: "conv_u0c-d_New"
ketik: "Konvolusi"
bawah: "u0c"
atas: "u0d"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 64
bantalan: 0
kernel_size: 3
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}
lapisan {
nama: "relu_u0d"
ketik: "ReLU"
bawah: "u0d"
atas: "u0d"
}
lapisan {
nama: "conv_u0d-score_New"
ketik: "Konvolusi"
bawah: "u0d"
nilai Tertinggi"
parameter {
lr_mult: 1
pembusukan_mult: 1
}
parameter {
lr_mult: 2
pembusukan_mult: 0
}
konvolusi_param {
jumlah_keluaran: 2
bantalan: 0
kernel_size: 1
berat_pengisi {
ketik: "xavier"
}
mesin: CAFFE
}
}

lapisan {
nama: "prob"
jenis: "Softmax"
bawah: "skor"
atas: "masalah"
}

Kerja bagus @manutdzou
Terima kasih atas dukunganmu. Apakah Anda keberatan untuk melakukan pekerjaan Anda di repo ini?
Kami dapat memiliki folder model-zoo/manutdzou di mana Anda memposting kode Anda sebagai notebook dan prototxt Anda dan tautan ke baidu sebagai file teks? Pengguna lain pasti akan menghargai. Jika Anda memiliki makalah tentang pekerjaan Anda, kami juga dapat menambahkan ini.

Oke, jika kode dan model saya berfungsi dengan baik, saya akan dengan senang hati berkomitmen dalam repo ini!

发自 网易 邮箱 大师
Pada 07/07/2017 17:33, Patrick Christ menulis:

Kerja bagus @manutdzou
Terima kasih atas dukunganmu. Apakah Anda keberatan untuk melakukan pekerjaan Anda di repo ini?
Kami dapat memiliki folder model-zoo/manutdzou di mana Anda memposting kode Anda sebagai notebook dan prototxt Anda dan tautan ke baidu sebagai file teks? Pengguna lain pasti akan menghargai. Jika Anda memiliki makalah tentang pekerjaan Anda, kami juga dapat menambahkan ini.

—
Anda menerima ini karena Anda disebutkan.
Balas email ini secara langsung, lihat di GitHub, atau matikan utasnya.