COI实验室技能：图像到图像的深度学习开发框架（pytorch版）

本文主要是介绍COI实验室技能：图像到图像的深度学习开发框架（pytorch版），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Basic deep learning framework for image-to-image

这个开发框架旨在帮助科研人员快速地实现图像到图像之间的模型开发。
github连接：https://github.com/SituLab/Basic-deep-learning-framework-for-image-to-image
在这里插入图片描述

1模型开发

1-1克隆项目到本地

（1）仓库右上角有个绿色‘code’按钮，下拉选择download zip。

（2）或者安装了git工具之后，在命令行运行下面指令：

git clone https://github.com/SituLab/Basic-deep-learning-framework-for-image-to-image.git

（3）数据集设置

dataset/input/存放输入的数据集；
dataset/label存放标签的数据集；
dataset/test_input存放测试输入的数据集；

1-2深度学习开发

（1）训练image-to-image任务

python main.py --running_name demo

（2）测试image-to-image任务

python main.py --running_name demo --is_training 0 --is_testing 1

（3）测试单张图像

python main.py --is_training 0 --img_path dataset/demo.png

（5）参数解释

--running_name：为每次训练提供一个运行名称，代码会创建相应名称的文件夹保存结果和日志。

注：非常便于网络的多次运行和分析，比如设置一个递增的版本名称，设置循环，可以一次进行重复实验。

--is_train：设置是否训练，默认训练；

--is_test：设置是否测试，默认测试；

--img_path：指定一张测试图像的路径；

（6）查看训练过程

log_demo.txt保存了此次训练所使用的配置信息和训练过程信息；
weights/demo/best_model.pth保存了验证集loss最小的模型；
results/demo/eval/保存了每一步训练时一个batch的推理结果；

（7）其他

在快速训练上，可以使用上述命令行的方法，如果需要细致开发，可以使用vscode或pycharm，使用编译器运行代码。

2环境配置

建议有高配电脑，或者直接使用远程服务器已经配置好的环境。

2-1安装conda

annaconda，自带基础的python库，比较齐全，占用空间会比较大，网址：https://www.anaconda.com/download/
miniconda，纯净版conda命令软件，不自带库，需自行安装，占用空间小，网址：https://docs.anaconda.com/miniconda/