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，这是测试过程，需要用到训练过程的权重。
1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。
权重文件
; 2. 修改test.py文件
调整数据集路径。
训练和测试时的图像设置相同大小，并设置主干模型的名称同训练时一致。
配置数据集相关信息。
手动添加权重。
3. 设置DataLoader
设置DataLoader中参数num_workers=0。
; 4. 修改utils.py文件
替换utils.py中的test_single_volume函数，原网络输出的是0,1,2,3,4像素的图片，分别代表5个类别，直接显示均呈黑色。对此，我们通过像素调整，使每个类别呈现不同的颜色。
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
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()
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:
a1 = copy.deepcopy(prediction)
a2 = copy.deepcopy(prediction)
a3 = copy.deepcopy(prediction)
a1[a1 == 1] = 255
a1[a1 == 2] = 0
a1[a1 == 3] = 255
a1[a1 == 4] = 20
a2[a2 == 1] = 255
a2[a2 == 2] = 255
a2[a2 == 3] = 0
a2[a2 == 4] = 10
a3[a3 == 1] = 255
a3[a3 == 2] = 77
a3[a3 == 3] = 0
a3[a3 == 4] = 120
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')
return metric_list
**方便小伙伴理解这部分代码，特意做了个图，a1,a2,a3分别代表RGB三个通道，开始它们的值通过deepcopy函数直接赋值，故三者的值都是一样的。
这里拿类别1举例：a1[a12]=0代表R通道中输出结果为2的赋值0，
a2[a22]=255代表G通道中输出结果为2的赋值255，
a3[a3==2]=77代表B通道中输出结果为2的赋值77，(0,255,77)对应就是绿色，类别2就是绿色（轮子）。
然后通过Image.merge(‘RGB’, [a1, a2, a3])函数合并三个通道，此时prediction就成了三通道彩色图。
至此，设置完毕，右键run运行。
5. 测试结束
测试结束后，会在根目录下生成predictions文件夹，文件夹的内容如下。
Original: https://blog.csdn.net/qq_37652891/article/details/123470578
Author: 小小小MaYi
Title: TransUnet官方代码测试自己的数据集（已训练完毕）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/625086/
转载文章受原作者版权保护。转载请注明原作者出处！