Sovereign 8s.is mirror of standardgalactic/APG
- Python 97%
- Cuda 1.7%
- Shell 1.3%
| Filename | Latest commit message | Latest commit date |
|---|---|---|
| apg | ||
| conf | ||
| func_2d | ||
| func_3d | ||
| sam2_train | ||
| scripts | ||
| .gitignore | ||
| cfg.py | ||
| environment.yml | ||
| format.py | ||
| LICENSE | ||
| npy_to_jpg.py | ||
| pre_CTMR.py | ||
| README.md | ||
| requeriment.txt | ||
| test.py | ||
| test_model.py | ||
| train_3d_apg.py | ||
本 README 说明如何在当前仓库中准备数据集、将 NIfTI/NPY 转为训练所需的 image / mask 目录结构,并如何启动训练与测试。
以下示例假定你在仓库根目录。
目录要点
pre_CTMR.py:将原始.nii.gz图像与标签处理并保存为切片的.npy文件(之前实现含默认硬编码路径,已支持命令行参数)。npy_to_jpg.py:把切片.npy(图像)转为.jpg,并复制标签.npy。支持--process_structure模式。scripts/process_dataset.sh:一键自动化流程(运行pre_CTMR.py、npy_to_jpg.py、重命名、去前导零、按比例划分 Train/Test)。format.py:用于去掉文件名前导零(仓库内存在多个副本);脚本内也集成了等效逻辑。train_3d_apg.py:训练主脚本(训练 3D APG 模型)。test_model.py/test.py:测试/验证相关脚本。
依赖
- 建议使用
conda或venv创建干净环境。仓库内有environment.yml/requeriment.txt,可据此安装依赖。
示例(conda):
conda env create -f environment.yml -n apg-env
conda activate apg-env
# 或手动安装 pip 依赖
pip install -r requeriment.txt
注意:部分包(如 SimpleITK, cc3d, scikit-image, tqdm, Pillow 等)需要可用的 Python 环境。
数据预处理与分割
流程总览:
- 准备源数据目录(包含 NIfTI 文件)。例如把数据放在:
./CC-Mask,其中包含子目录imageTr/与label/。 - 运行
pre_CTMR.py:将 nii 体数据裁剪/过滤并导出切片为.npy,输出默认在data/npy/CCMASK_test/<dataset_name>,现在可用命令行参数自定义路径。 - 运行
npy_to_jpg.py --process_structure:把imgs转为 jpg 并复制gts,输出在data/jpg/<dataset_name>。 - 重命名
imgs->image、gts->mask,去除文件名前导零,最后按比例随机分为Training与Test(每个包含image/与mask/)。
我们已经提供自动化脚本 scripts/process_dataset.sh 实现上面所有步骤:
示例(dry-run,仅打印而不修改):
# 给脚本可执行权限(若尚未)
chmod +x scripts/process_dataset.sh
# dry-run:只显示将做的操作
./scripts/process_dataset.sh ./CC-Mask --test-ratio 0.2 --dry-run
真实运行(会生成数据并做分割):
./scripts/process_dataset.sh ./CC-Mask --test-ratio 0.2
脚本默认行为说明:
- 会把
pre_CTMR.py的输出写入data/npy/CCMASK_test/<dataset_name>(dataset_name为CC-Mask的 basename); - 会把
npy_to_jpg.py输出写入data/jpg/<dataset_name>,并在该目录下创建image/与mask/,最终创建Training/和Test/子目录; - 可使用
--move选项改为移动源文件(代替复制);使用--python指定 Python 可执行路径。
注意事项:
pre_CTMR.py支持以下参数:--nii_path、--gt_path、--npy_path、--modality、--anatomy。若你直接调用该脚本,请传入正确路径。脚本scripts/process_dataset.sh已把路径传入pre_CTMR.py。- 若原始数据命名/结构与上述不同,请先调整路径或改写脚本参数。
输出目录示例(成功运行后)
data/jpg/<dataset>/
├─ image/ # jpg 图像文件或分子目录
├─ mask/ # 标签 npy 文件或其他格式
├─ Training/
│ ├─ image/
│ └─ mask/
└─ Test/
├─ image/
└─ mask/
训练脚本和示例命令
项目中用于训练的主要脚本为 train_3d_apg.py(3D 训练)。训练前务必确认:
cfg.py与conf/global_settings.py中的超参是否符合你的实验需求;args.data_path指向你处理好的数据(例如data/jpg/<dataset>),并根据func_3d.dataset.*代码要求设置mode(Training / Test);- 是否使用 SAM 权重(检查
sam2_train下的配置与 ckpt)。
一个典型的训练命令(在你本地环境中可能需要设置 LD_LIBRARY_PATH 或指定 GPU 环境):
# 例:使用已激活 conda 环境并在 GPU 0 上训练
python train_3d_apg.py -data_path ./data/jpg/<dataset> -gpu_device 0 -image_size 1024 -exp_name my_experiment
python test_model.py -weights <path_to_weights> -sam_config sam2_hiera_s -data_path ./data/jpg/<dataset> -gpu_device 0
测试/评估
使用 test_model.py 或 test.py。示例:
python test_model.py -weights logs/<exp_name>/Model/latest_epoch.pth -sam_config sam2_hiera_s -data_path ./data/jpg/<dataset> -gpu_device 0