***************************************************

码字不易，收藏之余，别忘了给我点个赞吧！

***************************************************

---------Start

首先参考上一篇的训练过程，因为测试需要用到训练获得的权重。

1、检查相关文件

1.1 检查test_vol.txt的内容是否是测试用的npz文件名称

测试集的npz文件

1.2 检查模型权重文件

2、修改部分代码

2.1 修改dataset_synapse.py

            slice_name = self.sample_list[idx].strip('\n')            data_path = os.path.join(self.data_dir, slice_name+'.npz')            data = np.load(data_path)            image, label = data['image'], data['label']            #改，numpy转tensor            image = torch.from_numpy(image.astype(np.float32))            image = image.permute(2,0,1)            label = torch.from_numpy(label.astype(np.float32))

2.2 修改test.py代码

修改相关参数和文件路径
is_savenii：是否保存预测结果图片
num_classes：预测的目标类别数+1

cfg：swinUnet网络结构配置文件
test_save_dir：保存预测结果文件夹

num_classes：预测的目标类别数+1

自定义权重路径

2.3 修改util.py代码（分两种情况）

第一种情况：保存预测原图，保存的结果是一张灰度图，每个像素的值代表该像素属于哪个类别。例如（0：背景，1：目标1，2：目标2…）,这是一张全黑图。

def test_single_volume(image, label, net, classes, patch_size=[256, 256], test_save_path=None, case=None, z_spacing=1):    image, label = image.squeeze(0).cpu().detach().numpy(), label.squeeze(0).cpu().detach().numpy()    _, x, y = image.shape    # 缩放图像符合网络输入大小224x224    if x != patch_size[0] or y != patch_size[1]:        image = zoom(image, (1, patch_size[0] / x, patch_size[1] / y), order=3)    input = torch.from_numpy(image).unsqueeze(0).float().cuda()    net.eval()    with torch.no_grad():        out = torch.argmax(torch.softmax(net(input), dim=1), dim=1).squeeze(0)        out = out.cpu().detach().numpy()        # 缩放预测结果图像同原始图像大小        if x != patch_size[0] or y != patch_size[1]:            prediction = zoom(out, (x / patch_size[0], y / patch_size[1]), order=0)        else:            prediction = out    metric_list = []    for i in range(1, classes):        metric_list.append(calculate_metric_percase(prediction == i, label == i))    if test_save_path is not None:        #保存预测结果        prediction = Image.fromarray(np.uint8(prediction)).convert('L')        prediction.save(test_save_path + '/' + case + '.png')    return metric_list

第二种情况：保存可见图像，将不同类别映射成不同的颜色。只需要将上面代码的if test_save_path is not None:里面的内容替换成下面的代码即可。

        #将不同类别区域呈彩色展示        #2分类 背景为黑色，类别1为绿色    if test_save_path is not None:        a1 = copy.deepcopy(prediction)        a2 = copy.deepcopy(prediction)        a3 = copy.deepcopy(prediction)        #r通道        a1[a1 == 1] = 0#g通道        a2[a2 == 1] = 255#b通道        a3[a3 == 1] = 0        a1 = Image.fromarray(np.uint8(a1)).convert('L')        a2 = Image.fromarray(np.uint8(a2)).convert('L')        a3 = Image.fromarray(np.uint8(a3)).convert('L')        prediction = Image.merge('RGB', [a1, a2, a3])        prediction.save(test_save_path+'/'+case+'.png')

至此，设置完毕，右键run运行，若控制台出现下面的结果，则表示运行正确，我这里的权重只训练了一个epoch，所以预测的都是0。

3、查看预测结果

查看日志文件

查看预测结果图

总结： swinUnet主要由swin_transform模块构成，数据量太少的时候训练效果很差，跟TransUnet不能比。由于仅文字表述某些操作存在局限性，故只能简略描述，有任何疑问可下方留言评论或私信，回复不及还望见谅，感激不尽！

来源地址：https://blog.csdn.net/qq_37652891/article/details/123938713