mirror of
https://github.com/open-mmlab/mmsegmentation.git
synced 2025-06-03 22:03:48 +08:00
[Doc] Update ZN dataset preparation of Synapse (#2465)
## Motivation - Add Chinese version of Synapse dataset preparation. - Modify all `，` and `。` to `,` and `.` in `docs/zh_cn/user_guides/2_dataset_prepare.md`.
This commit is contained in:
MengzhangLI
GitHub
parent
f90f7a56d4
commit
546f3b5b20
@ -138,6 +138,13 @@ mmsegmentation
|
||||
│ │ ├── ann_dir
|
||||
│ │ │ ├── train
|
||||
│ │ │ ├── val
|
||||
│ ├── synapse
|
||||
│ │ ├── img_dir
|
||||
│ │ │ ├── train
|
||||
│ │ │ ├── val
|
||||
│ │ ├── ann_dir
|
||||
│ │ │ ├── train
|
||||
│ │ │ ├── val
|
||||
```
|
||||
|
||||
### Cityscapes
|
||||
@ -323,7 +330,7 @@ For Potsdam dataset, please run the following command to download and re-organiz
|
||||
python tools/dataset_converters/potsdam.py /path/to/potsdam
|
||||
```
|
||||
|
||||
In our default setting, it will generate 3456 images for training and 2016 images for validation.
|
||||
In our default setting, it will generate 3,456 images for training and 2,016 images for validation.
|
||||
|
||||
### ISPRS Vaihingen
|
||||
|
||||
@ -376,7 +383,7 @@ You may need to follow the following structure for dataset preparation after dow
|
||||
python tools/dataset_converters/isaid.py /path/to/iSAID
|
||||
```
|
||||
|
||||
In our default setting (`patch_width`=896, `patch_height`=896, `overlap_area`=384), it will generate 33978 images for training and 11644 images for validation.
|
||||
In our default setting (`patch_width`=896, `patch_height`=896, `overlap_area`=384), it will generate 33,978 images for training and 11,644 images for validation.
|
||||
|
||||
## LIP(Look Into Person) dataset
|
||||
|
||||
@ -429,7 +436,7 @@ cd ./RawData/Training
|
||||
|
||||
Then create `train.txt` and `val.txt` to split dataset.
|
||||
|
||||
According to TransUnet, the following is the data set division.
|
||||
According to TransUNet, the following is the data set division.
|
||||
|
||||
train.txt
|
||||
|
||||
@ -493,5 +500,7 @@ Then, use this command to convert synapse dataset.
|
||||
python tools/dataset_converters/synapse.py --dataset-path /path/to/synapse
|
||||
```
|
||||
|
||||
In our default setting, it will generate 2,211 2D images for training and 1,568 2D images for validation.
|
||||
|
||||
Noted that MMSegmentation default evaluation metric (such as mean dice value) is calculated on 2D slice image,
|
||||
which is not comparable to results of 3D scan in some paper such as [TransUNet](https://arxiv.org/abs/2102.04306).
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
## 准备数据集（待更新）
|
||||
|
||||
推荐用软链接，将数据集根目录链接到 `$MMSEGMENTATION/data` 里。如果您的文件夹结构是不同的，您也许可以试着修改配置文件里对应的路径。
|
||||
推荐用软链接, 将数据集根目录链接到 `$MMSEGMENTATION/data` 里. 如果您的文件夹结构是不同的, 您也许可以试着修改配置文件里对应的路径.
|
||||
|
||||
```none
|
||||
mmsegmentation
|
||||
@ -119,51 +119,58 @@ mmsegmentation
|
||||
│ │ ├── ann_dir
|
||||
│ │ │ ├── train
|
||||
│ │ │ ├── val
|
||||
│ ├── synapse
|
||||
│ │ ├── img_dir
|
||||
│ │ │ ├── train
|
||||
│ │ │ ├── val
|
||||
│ │ ├── ann_dir
|
||||
│ │ │ ├── train
|
||||
│ │ │ ├── val
|
||||
```
|
||||
|
||||
### Cityscapes
|
||||
|
||||
注册成功后，数据集可以在 [这里](https://www.cityscapes-dataset.com/downloads/) 下载。
|
||||
注册成功后, 数据集可以在 [这里](https://www.cityscapes-dataset.com/downloads/) 下载.
|
||||
|
||||
通常情况下，`**labelTrainIds.png` 被用来训练 cityscapes。
|
||||
通常情况下, `**labelTrainIds.png` 被用来训练 cityscapes.
|
||||
基于 [cityscapesscripts](https://github.com/mcordts/cityscapesScripts),
|
||||
我们提供了一个 [脚本](https://github.com/open-mmlab/mmsegmentation/blob/master/tools/convert_datasets/cityscapes.py),
|
||||
去生成 `**labelTrainIds.png`。
|
||||
去生成 `**labelTrainIds.png`.
|
||||
|
||||
```shell
|
||||
# --nproc 8 意味着有 8 个进程用来转换，它也可以被忽略。
|
||||
# --nproc 8 意味着有 8 个进程用来转换,它也可以被忽略.
|
||||
python tools/convert_datasets/cityscapes.py data/cityscapes --nproc 8
|
||||
```
|
||||
|
||||
### Pascal VOC
|
||||
|
||||
Pascal VOC 2012 可以在 [这里](http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar) 下载。
|
||||
此外，许多最近在 Pascal VOC 数据集上的工作都会利用增广的数据，它们可以在 [这里](http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/semantic_contours/benchmark.tgz) 找到。
|
||||
Pascal VOC 2012 可以在 [这里](http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar) 下载.
|
||||
此外, 许多最近在 Pascal VOC 数据集上的工作都会利用增广的数据, 它们可以在 [这里](http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/semantic_contours/benchmark.tgz) 找到.
|
||||
|
||||
如果您想使用增广后的 VOC 数据集，请运行下面的命令来将数据增广的标注转成正确的格式。
|
||||
如果您想使用增广后的 VOC 数据集, 请运行下面的命令来将数据增广的标注转成正确的格式.
|
||||
|
||||
```shell
|
||||
# --nproc 8 意味着有 8 个进程用来转换，它也可以被忽略。
|
||||
# --nproc 8 意味着有 8 个进程用来转换,它也可以被忽略.
|
||||
python tools/convert_datasets/voc_aug.py data/VOCdevkit data/VOCdevkit/VOCaug --nproc 8
|
||||
```
|
||||
|
||||
关于如何拼接数据集 (concatenate) 并一起训练它们，更多细节请参考 [拼接连接数据集](https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/tutorials/customize_datasets.md#%E6%8B%BC%E6%8E%A5%E6%95%B0%E6%8D%AE%E9%9B%86) 。
|
||||
关于如何拼接数据集 (concatenate) 并一起训练它们, 更多细节请参考 [拼接连接数据集](https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/tutorials/customize_datasets.md#%E6%8B%BC%E6%8E%A5%E6%95%B0%E6%8D%AE%E9%9B%86) .
|
||||
|
||||
### ADE20K
|
||||
|
||||
ADE20K 的训练集和验证集可以在 [这里](http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zip) 下载。
|
||||
您还可以在 [这里](http://data.csail.mit.edu/places/ADEchallenge/release_test.zip) 下载验证集。
|
||||
ADE20K 的训练集和验证集可以在 [这里](http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zip) 下载.
|
||||
您还可以在 [这里](http://data.csail.mit.edu/places/ADEchallenge/release_test.zip) 下载验证集.
|
||||
|
||||
### Pascal Context
|
||||
|
||||
Pascal Context 的训练集和验证集可以在 [这里](http://host.robots.ox.ac.uk/pascal/VOC/voc2010/VOCtrainval_03-May-2010.tar) 下载。
|
||||
注册成功后，您还可以在 [这里](http://host.robots.ox.ac.uk:8080/eval/downloads/VOC2010test.tar) 下载验证集。
|
||||
Pascal Context 的训练集和验证集可以在 [这里](http://host.robots.ox.ac.uk/pascal/VOC/voc2010/VOCtrainval_03-May-2010.tar) 下载.
|
||||
注册成功后, 您还可以在 [这里](http://host.robots.ox.ac.uk:8080/eval/downloads/VOC2010test.tar) 下载验证集.
|
||||
|
||||
为了从原始数据集里切分训练集和验证集， 您可以在 [这里](https://codalabuser.blob.core.windows.net/public/trainval_merged.json)
|
||||
下载 trainval_merged.json。
|
||||
为了从原始数据集里切分训练集和验证集, 您可以在 [这里](https://codalabuser.blob.core.windows.net/public/trainval_merged.json)
|
||||
下载 trainval_merged.json.
|
||||
|
||||
如果您想使用 Pascal Context 数据集，
|
||||
请安装 [细节](https://github.com/zhanghang1989/detail-api) 然后再运行如下命令来把标注转换成正确的格式。
|
||||
如果您想使用 Pascal Context 数据集,
|
||||
请安装 [细节](https://github.com/zhanghang1989/detail-api) 然后再运行如下命令来把标注转换成正确的格式.
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/pascal_context.py data/VOCdevkit data/VOCdevkit/VOC2010/trainval_merged.json
|
||||
@ -171,64 +178,64 @@ python tools/convert_datasets/pascal_context.py data/VOCdevkit data/VOCdevkit/VO
|
||||
|
||||
### CHASE DB1
|
||||
|
||||
CHASE DB1 的训练集和验证集可以在 [这里](https://staffnet.kingston.ac.uk/~ku15565/CHASE_DB1/assets/CHASEDB1.zip) 下载。
|
||||
CHASE DB1 的训练集和验证集可以在 [这里](https://staffnet.kingston.ac.uk/~ku15565/CHASE_DB1/assets/CHASEDB1.zip) 下载.
|
||||
|
||||
为了将 CHASE DB1 数据集转换成 MMSegmentation 的格式，您需要运行如下命令：
|
||||
为了将 CHASE DB1 数据集转换成 MMSegmentation 的格式,您需要运行如下命令:
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/chase_db1.py /path/to/CHASEDB1.zip
|
||||
```
|
||||
|
||||
这个脚本将自动生成正确的文件夹结构。
|
||||
这个脚本将自动生成正确的文件夹结构.
|
||||
|
||||
### DRIVE
|
||||
|
||||
DRIVE 的训练集和验证集可以在 [这里](https://drive.grand-challenge.org/) 下载。
|
||||
在此之前，您需要注册一个账号，当前 '1st_manual' 并未被官方提供，因此需要您从其他地方获取。
|
||||
DRIVE 的训练集和验证集可以在 [这里](https://drive.grand-challenge.org/) 下载.
|
||||
在此之前, 您需要注册一个账号, 当前 '1st_manual' 并未被官方提供, 因此需要您从其他地方获取.
|
||||
|
||||
为了将 DRIVE 数据集转换成 MMSegmentation 格式，您需要运行如下命令：
|
||||
为了将 DRIVE 数据集转换成 MMSegmentation 格式, 您需要运行如下命令:
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/drive.py /path/to/training.zip /path/to/test.zip
|
||||
```
|
||||
|
||||
这个脚本将自动生成正确的文件夹结构。
|
||||
这个脚本将自动生成正确的文件夹结构.
|
||||
|
||||
### HRF
|
||||
|
||||
首先，下载 [healthy.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/healthy.zip) [glaucoma.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/glaucoma.zip), [diabetic_retinopathy.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/diabetic_retinopathy.zip), [healthy_manualsegm.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/healthy_manualsegm.zip), [glaucoma_manualsegm.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/glaucoma_manualsegm.zip) 以及 [diabetic_retinopathy_manualsegm.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/diabetic_retinopathy_manualsegm.zip) 。
|
||||
首先, 下载 [healthy.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/healthy.zip) [glaucoma.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/glaucoma.zip), [diabetic_retinopathy.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/diabetic_retinopathy.zip), [healthy_manualsegm.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/healthy_manualsegm.zip), [glaucoma_manualsegm.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/glaucoma_manualsegm.zip) 以及 [diabetic_retinopathy_manualsegm.zip](https://www5.cs.fau.de/fileadmin/research/datasets/fundus-images/diabetic_retinopathy_manualsegm.zip).
|
||||
|
||||
为了将 HRF 数据集转换成 MMSegmentation 格式，您需要运行如下命令：
|
||||
为了将 HRF 数据集转换成 MMSegmentation 格式, 您需要运行如下命令:
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/hrf.py /path/to/healthy.zip /path/to/healthy_manualsegm.zip /path/to/glaucoma.zip /path/to/glaucoma_manualsegm.zip /path/to/diabetic_retinopathy.zip /path/to/diabetic_retinopathy_manualsegm.zip
|
||||
```
|
||||
|
||||
这个脚本将自动生成正确的文件夹结构。
|
||||
这个脚本将自动生成正确的文件夹结构.
|
||||
|
||||
### STARE
|
||||
|
||||
首先，下载 [stare-images.tar](http://cecas.clemson.edu/~ahoover/stare/probing/stare-images.tar), [labels-ah.tar](http://cecas.clemson.edu/~ahoover/stare/probing/labels-ah.tar) 和 [labels-vk.tar](http://cecas.clemson.edu/~ahoover/stare/probing/labels-vk.tar) 。
|
||||
首先, 下载 [stare-images.tar](http://cecas.clemson.edu/~ahoover/stare/probing/stare-images.tar), [labels-ah.tar](http://cecas.clemson.edu/~ahoover/stare/probing/labels-ah.tar) 和 [labels-vk.tar](http://cecas.clemson.edu/~ahoover/stare/probing/labels-vk.tar).
|
||||
|
||||
为了将 STARE 数据集转换成 MMSegmentation 格式，您需要运行如下命令：
|
||||
为了将 STARE 数据集转换成 MMSegmentation 格式, 您需要运行如下命令:
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/stare.py /path/to/stare-images.tar /path/to/labels-ah.tar /path/to/labels-vk.tar
|
||||
```
|
||||
|
||||
这个脚本将自动生成正确的文件夹结构。
|
||||
这个脚本将自动生成正确的文件夹结构.
|
||||
|
||||
### Dark Zurich
|
||||
|
||||
因为我们只支持在此数据集上测试模型，所以您只需下载[验证集](https://data.vision.ee.ethz.ch/csakarid/shared/GCMA_UIoU/Dark_Zurich_val_anon.zip) 。
|
||||
因为我们只支持在此数据集上测试模型, 所以您只需下载[验证集](https://data.vision.ee.ethz.ch/csakarid/shared/GCMA_UIoU/Dark_Zurich_val_anon.zip).
|
||||
|
||||
### Nighttime Driving
|
||||
|
||||
因为我们只支持在此数据集上测试模型，所以您只需下载[测试集](http://data.vision.ee.ethz.ch/daid/NighttimeDriving/NighttimeDrivingTest.zip) 。
|
||||
因为我们只支持在此数据集上测试模型,所以您只需下载[测试集](http://data.vision.ee.ethz.ch/daid/NighttimeDriving/NighttimeDrivingTest.zip).
|
||||
|
||||
### LoveDA
|
||||
|
||||
可以从 Google Drive 里下载 [LoveDA数据集](https://drive.google.com/drive/folders/1ibYV0qwn4yuuh068Rnc-w4tPi0U0c-ti?usp=sharing) 。
|
||||
可以从 Google Drive 里下载 [LoveDA数据集](https://drive.google.com/drive/folders/1ibYV0qwn4yuuh068Rnc-w4tPi0U0c-ti?usp=sharing).
|
||||
|
||||
或者它还可以从 [zenodo](https://zenodo.org/record/5706578#.YZvN7SYRXdF) 下载, 您需要运行如下命令:
|
||||
|
||||
@ -241,46 +248,46 @@ wget https://zenodo.org/record/5706578/files/Val.zip
|
||||
wget https://zenodo.org/record/5706578/files/Test.zip
|
||||
```
|
||||
|
||||
对于 LoveDA 数据集，请运行以下命令下载并重新组织数据集
|
||||
对于 LoveDA 数据集,请运行以下命令下载并重新组织数据集:
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/loveda.py /path/to/loveDA
|
||||
```
|
||||
|
||||
请参照 [这里](https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/inference.md) 来使用训练好的模型去预测 LoveDA 测试集并且提交到官网。
|
||||
请参照 [这里](https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/inference.md) 来使用训练好的模型去预测 LoveDA 测试集并且提交到官网.
|
||||
|
||||
关于 LoveDA 的更多细节可以在[这里](https://github.com/Junjue-Wang/LoveDA) 找到。
|
||||
关于 LoveDA 的更多细节可以在[这里](https://github.com/Junjue-Wang/LoveDA) 找到.
|
||||
|
||||
### ISPRS Potsdam
|
||||
|
||||
[Potsdam](https://www2.isprs.org/commissions/comm2/wg4/benchmark/2d-sem-label-potsdam/)
|
||||
数据集是一个有着2D 语义分割内容标注的城市遥感数据集。
|
||||
数据集可以从挑战[主页](https://www2.isprs.org/commissions/comm2/wg4/benchmark/data-request-form/) 获得。
|
||||
需要其中的 '2_Ortho_RGB.zip' 和 '5_Labels_all_noBoundary.zip'。
|
||||
数据集是一个有着2D 语义分割内容标注的城市遥感数据集.
|
||||
数据集可以从挑战[主页](https://www2.isprs.org/commissions/comm2/wg4/benchmark/data-request-form/) 获得.
|
||||
需要其中的 `2_Ortho_RGB.zip` 和 `5_Labels_all_noBoundary.zip`.
|
||||
|
||||
对于 Potsdam 数据集，请运行以下命令下载并重新组织数据集
|
||||
对于 Potsdam 数据集,请运行以下命令下载并重新组织数据集
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/potsdam.py /path/to/potsdam
|
||||
```
|
||||
|
||||
使用我们默认的配置， 将生成 3456 张图片的训练集和 2016 张图片的验证集。
|
||||
使用我们默认的配置, 将生成 3,456 张图片的训练集和 2,016 张图片的验证集.
|
||||
|
||||
### ISPRS Vaihingen
|
||||
|
||||
[Vaihingen](https://www2.isprs.org/commissions/comm2/wg4/benchmark/2d-sem-label-vaihingen/)
|
||||
数据集是一个有着2D 语义分割内容标注的城市遥感数据集。
|
||||
数据集是一个有着2D 语义分割内容标注的城市遥感数据集.
|
||||
|
||||
数据集可以从挑战 [主页](https://www2.isprs.org/commissions/comm2/wg4/benchmark/data-request-form/).
|
||||
需要其中的 'ISPRS_semantic_labeling_Vaihingen.zip' 和 'ISPRS_semantic_labeling_Vaihingen_ground_truth_eroded_COMPLETE.zip'。
|
||||
需要其中的 'ISPRS_semantic_labeling_Vaihingen.zip' 和 'ISPRS_semantic_labeling_Vaihingen_ground_truth_eroded_COMPLETE.zip'.
|
||||
|
||||
对于 Vaihingen 数据集，请运行以下命令下载并重新组织数据集
|
||||
对于 Vaihingen 数据集, 请运行以下命令下载并重新组织数据集
|
||||
|
||||
```shell
|
||||
python tools/convert_datasets/vaihingen.py /path/to/vaihingen
|
||||
```
|
||||
|
||||
使用我们默认的配置 (`clip_size`=512, `stride_size`=256)， 将生成 344 张图片的训练集和 398 张图片的验证集。
|
||||
使用我们默认的配置 (`clip_size`=512, `stride_size`=256), 将生成 344 张图片的训练集和 398 张图片的验证集.
|
||||
|
||||
### iSAID
|
||||
|
||||
@ -290,7 +297,7 @@ iSAID 数据集(训练集/验证集)的注释可以从 [iSAID](https://captain-w
|
||||
|
||||
该数据集是一个大规模的实例分割(也可以用于语义分割)的遥感数据集.
|
||||
|
||||
下载后，在数据集转换前，您需要将数据集文件夹调整成如下格式.
|
||||
下载后, 在数据集转换前, 您需要将数据集文件夹调整成如下格式.
|
||||
|
||||
```
|
||||
│ ├── iSAID
|
||||
@ -316,4 +323,84 @@ iSAID 数据集(训练集/验证集)的注释可以从 [iSAID](https://captain-w
|
||||
python tools/convert_datasets/isaid.py /path/to/iSAID
|
||||
```
|
||||
|
||||
使用我们默认的配置 (`patch_width`=896, `patch_height`=896, `overlap_area`=384)， 将生成 33978 张图片的训练集和 11644 张图片的验证集。
|
||||
使用我们默认的配置 (`patch_width`=896, `patch_height`=896, `overlap_area`=384), 将生成 33,978 张图片的训练集和 11,644 张图片的验证集.
|
||||
|
||||
## Synapse dataset
|
||||
|
||||
这个数据集可以在这个[网页](https://www.synapse.org/#!Synapse:syn3193805/wiki/) 里被下载.
|
||||
我们参考了 [TransUNet](https://arxiv.org/abs/2102.04306) 里面的数据集预处理的设置, 它将原始数据集 (30 套 3D 样例) 切分出 18 套用于训练, 12 套用于验证. 请参考以下步骤来准备该数据集:
|
||||
|
||||
```shell
|
||||
unzip RawData.zip
|
||||
cd ./RawData/Training
|
||||
```
|
||||
|
||||
随后新建 `train.txt` 和 `val.txt`.
|
||||
|
||||
根据 TransUNet 来将训练集和验证集如下划分:
|
||||
|
||||
train.txt
|
||||
|
||||
```none
|
||||
img0005.nii.gz
|
||||
img0006.nii.gz
|
||||
img0007.nii.gz
|
||||
img0009.nii.gz
|
||||
img0010.nii.gz
|
||||
img0021.nii.gz
|
||||
img0023.nii.gz
|
||||
img0024.nii.gz
|
||||
img0026.nii.gz
|
||||
img0027.nii.gz
|
||||
img0028.nii.gz
|
||||
img0030.nii.gz
|
||||
img0031.nii.gz
|
||||
img0033.nii.gz
|
||||
img0034.nii.gz
|
||||
img0037.nii.gz
|
||||
img0039.nii.gz
|
||||
img0040.nii.gz
|
||||
```
|
||||
|
||||
val.txt
|
||||
|
||||
```none
|
||||
img0008.nii.gz
|
||||
img0022.nii.gz
|
||||
img0038.nii.gz
|
||||
img0036.nii.gz
|
||||
img0032.nii.gz
|
||||
img0002.nii.gz
|
||||
img0029.nii.gz
|
||||
img0003.nii.gz
|
||||
img0001.nii.gz
|
||||
img0004.nii.gz
|
||||
img0025.nii.gz
|
||||
img0035.nii.gz
|
||||
```
|
||||
|
||||
此时, synapse 数据集包括了以下内容:
|
||||
|
||||
```none
|
||||
├── Training
|
||||
│ ├── img
|
||||
│ │ ├── img0001.nii.gz
|
||||
│ │ ├── img0002.nii.gz
|
||||
│ │ ├── ...
|
||||
│ ├── label
|
||||
│ │ ├── label0001.nii.gz
|
||||
│ │ ├── label0002.nii.gz
|
||||
│ │ ├── ...
|
||||
│ ├── train.txt
|
||||
│ ├── val.txt
|
||||
```
|
||||
|
||||
随后, 运行下面的数据集转换脚本来处理 synapse 数据集:
|
||||
|
||||
```shell
|
||||
python tools/dataset_converters/synapse.py --dataset-path /path/to/synapse
|
||||
```
|
||||
|
||||
使用我们默认的配置, 将生成 2,211 张 2D 图片的训练集和 1,568 张图片的验证集.
|
||||
|
||||
需要注意的是 MMSegmentation 默认的评价指标 (例如平均 Dice 值) 都是基于每帧 2D 图片计算的, 这与基于每套 3D 图片计算评价指标的 [TransUNet](https://arxiv.org/abs/2102.04306) 是不同的.
|
||||
|
||||
Loading…
x
Reference in New Issue
Block a user