Cascaded-fcn: 모델 테스트 문제

내가 간과한 트릭이 있습니까?

결과가 이상해 보입니다. 수정하기 전에 노트북을 있는 그대로 실행하고 올바른 결과를 얻을 수 있는지 확인하십시오.

코드는 노트에 표시한 것과 동일하므로 코드가 잘못된 부분을 찾을 수 없습니다. 안내를 받을 수 있나요? 감사 해요

나는 당신과 같은 문제를 만났습니다. 당신은 알아 냈습니까? 당신이 당신의 방법을 공유할 수 있다면 감사하겠습니다. @manutdzou

출시된 모델이 잘못된 것 같은데, 자체 모델을 자체 학습하고 위의 코드를 사용하면 잘 작동하고 결과도 좋습니다.

@RenieWell @mohamed-ezz

좋은 소식입니다 @manutdzou . 풀 리퀘스트를 작성하고 훈련된 모델을 대중에게 제공하는 것을 환영합니다. 모델을 공개 파일호스터에 업로드하고 링크와 이름으로 readme를 수정하면 됩니다.

와우, 나는 당신의 첫 번째 결과와 같은 이상한 결과를 얻었습니다. 그렇다면 이 출시된 모델이 그렇게 좋지 않다고 확신합니다. 어쨌든 TensorFlow에서 U-Net을 다시 빌드했는데 예측 결과가 그렇게 좋지는 않지만 이상하지도 않습니다.

@manutdzou . 안녕하세요 여러분, 코드를 공유할 수 있습니까?
매우 감사합니다.

안녕 모두들,
방금 Readme를 업데이트하고 코드를 원활하게 실행하는 도커 이미지를 추가했습니다.
도커 이미지를 시작하는 방법에 대한 자세한 내용은 Readme를 참조하십시오.
예상 결과는 다음과 같아야 합니다.
최고의 소원,
패트릭
cascaded_unet_inference.pdf.pdf

@PatrickChrist 안녕하세요 Patrick, 훌륭한 작업에 감사드립니다. 하지만 사전 훈련된 모델을 사용하려고 할 때 nvidia-docker를 설치하기가 어렵다는 것을 알게 되었습니다. nvidia-docker를 사용하지 않고 올바른 사전 훈련된 모델을 공유해 주시겠습니까?

@zakizhou 저는 이것이 재현성 문제이기 때문에 Docker가 이를 달성하기 위한 최선의 방법이라고 생각합니다.

nvidia-docker 는 GPU에서 파일을 처리하려는 경우에만 필요합니다. 그러나 CPU에서 실행하는 것이 괜찮다면 docker 를 사용할 수 있습니다.

Linux 배포판에서 실행 중인 경우 nvidia-docker 설치에 직면한 문제는 무엇입니까?

모델은 https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn 에서도 공유되며 호스트 환경(Docker 없이)에서 사용할 수 있습니다.

@mohamed-ezz 답변 감사합니다. GPU가 없는 우분투를 사용하고 있습니다. 실제로 nvidia-docker docker 를 시도했지만 슬프게도 jupyter의 핵심인 pretrained caffe 모델을 가져오려고 할 때 노트북이 버려진 이유를 이해하지 못합니다. 이번 호에서 @manutdzou 가 말한 것처럼 사전 훈련된 모델은 여기에서 https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn 은 샘플 이미지에서 성능이 좋지 않습니다. 나는 conda로 caffe를 설치했는데, 이 문제의 원인이 잘못된 버전의 caffe라고 생각합니까?

예, 아마도 카페 버전일 것입니다. 도커 이미지를 이용해주세요.

2017년 7월 4일 오후 5시 45분에 "Jie Zhou" [email protected] 이 작성했습니다.

@mohamed-ezz https://github.com/mohamed-ezz 답변 감사합니다.
GPU가없는 우분투를 사용하여 실제로 대신 docker를 시도했습니다.
nvidia-docker 하지만 슬프게도 사전 훈련된 caffe 모델을 가져오려고 할 때,
jupyter 노트북의 핵심이 덤프되었고 이유를 이해하지 못합니다. 무엇처럼
@manutdzou https://github.com/manutdzou 가 이번 호에서 말했습니다.
여기에서 사전 훈련된 모델 https://github.com/IBBM/Cascaded-FCN/tree/master/
models/cascadedfcn은 샘플 이미지에서 성능이 좋지 않습니다. 카페를 설치했습니다
conda를 사용하여 이것을 일으킨 잘못된 버전의 카페라고 생각하십니까?
문제?

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312908109 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/ADqENQMhAJvhyvV1SZ5ApQelMqNhBlTMks5sKl39gaJpZM4M4ckQ
.

@mohamed-ezz 네, GPU가 있는 서버에서 모델을 시도해 보겠습니다. 다시 한 번 감사드립니다!

GPU가 필요하지 않습니다. 대신 README.md에 있는 이미지와 함께 docker를 사용하세요.
엔비디아 도커의.

2017년 7월 4일 오후 6시 59분에 "Jie Zhou" [email protected] 이 작성했습니다.

@mohamed-ezz https://github.com/mohamed-ezz 좋습니다.
GPU가 있는 서버, 다시 한 번 감사합니다!

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하고 GitHub에서 확인하세요.
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312919887 ,
또는 스레드 음소거
https://github.com/notifications/unsubscribe-auth/ADqENQh6pIiGyQYTbKSOx_2reMDlja3Cks5sKm-GgaJpZM4M4ckQ
.

나는 Baidu 에서 오른쪽 간 및 병변 모델의 버전을 출시했으며 이 모델을 다음과 같이 사용할 수 있습니다.

`시스템, OS 가져오기
sys.path.insert(0, '/home/zhou/zou/caffe_ws/python')
sys.path.insert(0,'/home/zhou/zou/Cascaded-FCN/lib')
numpy를 np로 가져오기
matplotlib에서 pyplot을 plt로 가져오기
수입카페

result_path = "/home/zhou/zou/Cascaded-FCN/code/result/"
os.path.exists(result_path)가 아닌 경우:
os.makedirs(결과 경로)

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)

간 = 1
병변 = 2
범위(0,len(im_list))의 i에 대해:
im = np.load(im_list[i].split(' ')[0])
마스크 = np.load(im_list[i].split(' ')[1])
in_ = np.array(im, dtype=np.float32)
in_expand = in_[np.newaxis, ...]
얼룩 = 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()

`
일부 결과가 표시됩니다

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

층 {
이름: "데이터"
유형: "입력"
상단: "데이터"
input_param { 모양: { 희미한: 1 희미한: 1 희미한: 572 희미한: 572 } }
}

층 {
이름: "conv_d0a-b"
유형: "컨볼루션"
하단: "데이터"
상단: "d0b"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 64
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d0b"
유형: "ReLU"
하단: "d0b"
상단: "d0b"
}
층 {
이름: "conv_d0b-c"
유형: "컨볼루션"
하단: "d0b"
상단: "d0c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 64
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d0c"
유형: "ReLU"
하단: "d0c"
상단: "d0c"
}
층 {
이름: "pool_d0c-1a"
유형: "풀링"
하단: "d0c"
상단: "d1a"
pooling_param {
풀: 최대
커널 크기: 2
보폭: 2
}
}
층 {
이름: "conv_d1a-b"
유형: "컨볼루션"
하단: "d1a"
상단: "d1b"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 128
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d1b"
유형: "ReLU"
하단: "d1b"
상단: "d1b"
}
층 {
이름: "conv_d1b-c"
유형: "컨볼루션"
하단: "d1b"
상단: "d1c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 128
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d1c"
유형: "ReLU"
하단: "d1c"
상단: "d1c"
}
층 {
이름: "pool_d1c-2a"
유형: "풀링"
하단: "d1c"
상단: "d2a"
pooling_param {
풀: 최대
커널 크기: 2
보폭: 2
}
}
층 {
이름: "conv_d2a-b"
유형: "컨볼루션"
하단: "d2a"
상단: "d2b"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 256
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d2b"
유형: "ReLU"
하단: "d2b"
상단: "d2b"
}
층 {
이름: "conv_d2b-c"
유형: "컨볼루션"
하단: "d2b"
상단: "d2c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 256
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d2c"
유형: "ReLU"
하단: "d2c"
상단: "d2c"
}
층 {
이름: "pool_d2c-3a"
유형: "풀링"
하단: "d2c"
상단: "d3a"
pooling_param {
풀: 최대
커널 크기: 2
보폭: 2
}
}
층 {
이름: "conv_d3a-b"
유형: "컨볼루션"
하단: "d3a"
상단: "d3b"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 512
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d3b"
유형: "ReLU"
하단: "d3b"
상단: "d3b"
}
층 {
이름: "conv_d3b-c"
유형: "컨볼루션"
하단: "d3b"
상단: "d3c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 512
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d3c"
유형: "ReLU"
하단: "d3c"
상단: "d3c"
}

층 {
이름: "pool_d3c-4a"
유형: "풀링"
하단: "d3c"
상단: "d4a"
pooling_param {
풀: 최대
커널 크기: 2
보폭: 2
}
}
층 {
이름: "conv_d4a-b"
유형: "컨볼루션"
하단: "d4a"
상단: "d4b"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 1024
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d4b"
유형: "ReLU"
하단: "d4b"
상단: "d4b"
}
층 {
이름: "conv_d4b-c"
유형: "컨볼루션"
하단: "d4b"
상단: "d4c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 1024
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "relu_d4c"
유형: "ReLU"
하단: "d4c"
상단: "d4c"
}

층 {
이름: "upconv_d4c_u3a"
유형: "디콘볼루션"
하단: "d4c"
상단: "u3a"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 512
패드: 0
커널 크기: 2
보폭: 2
weight_filler {
유형: "자비에르"
}
}
}

층 {
이름: "relu_u3a"
유형: "ReLU"
하단: "u3a"
상단: "u3a"
}
층 {
이름: "crop_d3c-d3cc"
유형: "자르기"
하단: "d3c"
하단: "u3a"
상단: "d3cc"

}
층 {
이름: "concat_d3cc_u3a-b"
유형: "연결"
하단: "u3a"
하단: "d3cc"
상단: "u3b"
}
층 {
이름: "conv_u3b-c"
유형: "컨볼루션"
하단: "u3b"
상단: "u3c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 512
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u3c"
유형: "ReLU"
하단: "u3c"
상단: "u3c"
}
층 {
이름: "conv_u3c-d"
유형: "컨볼루션"
하단: "u3c"
상단: "u3d"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 512
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u3d"
유형: "ReLU"
하단: "u3d"
상단: "u3d"
}
층 {
이름: "upconv_u3d_u2a"
유형: "디콘볼루션"
하단: "u3d"
상단: "u2a"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 256
패드: 0
커널 크기: 2
보폭: 2
weight_filler {
유형: "자비에르"
}
}
}
층 {
이름: "relu_u2a"
유형: "ReLU"
하단: "u2a"
상단: "u2a"
}
층 {
이름: "crop_d2c-d2cc"
유형: "자르기"
하단: "d2c"
하단: "u2a"
상단: "d2cc"

}
층 {
이름: "concat_d2cc_u2a-b"
유형: "연결"
하단: "u2a"
하단: "d2cc"
상단: "u2b"
}
층 {
이름: "conv_u2b-c"
유형: "컨볼루션"
하단: "u2b"
상단: "u2c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 256
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u2c"
유형: "ReLU"
하단: "u2c"
상단: "u2c"
}
층 {
이름: "conv_u2c-d"
유형: "컨볼루션"
하단: "u2c"
상단: "u2d"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 256
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u2d"
유형: "ReLU"
하단: "u2d"
상단: "u2d"
}
층 {
이름: "upconv_u2d_u1a"
유형: "디콘볼루션"
하단: "u2d"
상단: "u1a"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 128
패드: 0
커널 크기: 2
보폭: 2
weight_filler {
유형: "자비에르"
}
}
}
층 {
이름: "relu_u1a"
유형: "ReLU"
하단: "u1a"
상단: "u1a"
}
층 {
이름: "crop_d1c-d1cc"
유형: "자르기"
하단: "d1c"
하단: "u1a"
상단: "d1cc"

}
층 {
이름: "concat_d1cc_u1a-b"
유형: "연결"
하단: "u1a"
하단: "d1cc"
상단: "u1b"
}
층 {
이름: "conv_u1b-c"
유형: "컨볼루션"
하단: "u1b"
상단: "u1c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 128
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u1c"
유형: "ReLU"
하단: "u1c"
상단: "u1c"
}
층 {
이름: "conv_u1c-d"
유형: "컨볼루션"
하단: "u1c"
상단: "u1d"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 128
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u1d"
유형: "ReLU"
하단: "u1d"
상단: "u1d"
}
층 {
이름: "upconv_u1d_u0a_NEW"
유형: "디콘볼루션"
하단: "u1d"
상단: "u0a"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 64
패드: 0
커널 크기: 2
보폭: 2
weight_filler {
유형: "자비에르"
}
}
}
층 {
이름: "relu_u0a"
유형: "ReLU"
하단: "u0a"
상단: "u0a"
}
층 {
이름: "crop_d0c-d0cc"
유형: "자르기"
하단: "d0c"
하단: "u0a"
상단: "d0cc"

}
층 {
이름: "concat_d0cc_u0a-b"
유형: "연결"
하단: "u0a"
하단: "d0cc"
상단: "u0b"
}
층 {
이름: "conv_u0b-c_New"
유형: "컨볼루션"
하단: "u0b"
상단: "u0c"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 64
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u0c"
유형: "ReLU"
하단: "u0c"
상단: "u0c"
}
층 {
이름: "conv_u0c-d_New"
유형: "컨볼루션"
하단: "u0c"
상단: "u0d"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 64
패드: 0
커널 크기: 3
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}
층 {
이름: "relu_u0d"
유형: "ReLU"
하단: "u0d"
상단: "u0d"
}
층 {
이름: "conv_u0d-score_New"
유형: "컨볼루션"
하단: "u0d"
상단: "점수"
매개변수 {
lr_mult: 1
부패_다중: 1
}
매개변수 {
lr_mult: 2
붕괴_멀티: 0
}
convolution_param {
num_출력: 2
패드: 0
커널 크기: 1
weight_filler {
유형: "자비에르"
}
엔진: 카페
}
}

층 {
이름: "prob"
유형: "소프트맥스"
하단: "점수"
상단: "prob"
}

멋진 작품 @manutdzou
지원해 주셔서 감사합니다. 이 리포지토리에서 작업을 수행하시겠습니까?
model-zoo/manutdzou 폴더에 코드를 노트북으로 게시하고 prototxt와 바이두 링크를 텍스트 파일로 게시할 수 있습니까? 다른 사용자들은 분명히 감사할 것입니다. 귀하의 작업에 대한 문서가 있는 경우 이를 추가할 수도 있습니다.

좋아, 내 코드와 모델이 잘 작동한다면 기꺼이 이 리포지토리에 커밋할 것입니다!

发自网易邮箱大师
2017년 7월 7일 17:33에 Patrick Christ는 다음과 같이 썼습니다.

멋진 작품 @manutdzou
지원해 주셔서 감사합니다. 이 리포지토리에서 작업을 수행하시겠습니까?
model-zoo/manutdzou 폴더에 코드를 노트북으로 게시하고 prototxt와 바이두 링크를 텍스트 파일로 게시할 수 있습니까? 다른 사용자들은 분명히 감사할 것입니다. 귀하의 작업에 대한 문서가 있는 경우 이를 추가할 수도 있습니다.

—
당신이 언급되었기 때문에 이것을 받는 것입니다.
이 이메일에 직접 답장하거나 GitHub에서 보거나 스레드를 음소거하세요.