无法为图像分割keras创建数据集-Java 学习之路

我有一个自定义数据集，其中包含跨RGB通道的1100个视网膜图像及其相应的灰度蒙版，分辨率为1500x1500 . 工作是从这些图像中提取视盘 . 我一直在尝试从这些图像中创建训练集，以便我可以将其融入到u-net模型中 . 我使用opencv将所有图像的大小调整为256x256分辨率，并创建了这些图像的numpy数组 . 但是当我将这些数据融入模型时，无论我增加了多少个时代，我的准确度都不会超过1 . 我也尝试过骰子系数和损失函数 . 它们也给出大于1的值 . 我想知道问题是在训练数据创建中还是在模型中 . 下面是我用于训练集创建的代码 .

train_data='train_image_folder'
label_data="mask_image_folder"
def training():
    train_images=[]
    for i in tqdm(os.listdir(train_data)):
        path=os.path.join(train_data,i)
        img=cv2.imread(path,-1)
        img=cv2.resize(img,(256,256))
        train_images.append(np.array(img))
    return train_images
training_images=training()
train_data=np.array([training_images]).reshape(-1,256,256,3)
def label():
    label_images=[]
    for i in tqdm(os.listdir(label_data)):
        path=os.path.join(label_data,i)
        img=cv2.imread(path,0)
        img=cv2.resize(img,(256,256))
        label_images.append(np.array(img))
    return label_images
label_images=label()
label_data=np.array([label_images]).reshape(-1,256,256,1)

下面是编译和拟合的代码 .

model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy","binary_crossentropy",dice_coef])
model.fit(train_data,label_data,epochs=50,batch_size=20)

以及相应的骰子系数函数

def dice_coef(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

我不知道我做错了什么 . 任何帮助将非常感激

1 回答

我可以请你输入你的代码（Created model）吗？你测试SGD还是改变学习率？

from keras.optimizers import Adam, SGD
...
...
model.compile(loss="categorical_crossentropy", # Change to categorical
optimizer=Adam(lr = .1), # For exam, or use SGD(lr = .1) and change learning rate and momentum
    metrics=["accuracy",dice_coef])

请测试此部件代码

回复于 2024-05-03T21:08:34+08:00

无法为图像分割keras创建数据集

1 回答

相关问题