PaddleSeg MedicalSeg 实战指南：从参数配置、一键训练评估到模型部署与自定义数据集扩展

人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载本指南基于 PaddleSeg 仓库中的 MedicalSeg 医学图像分割子项目系统讲解其三级 YAML 配置 → 一键数据准备 → 一键训练评估 → 静态图导出与推理部署 → 自定义数据集扩展的完整工作流并以 COVID-19 CT 肺部分割VNet 模型为主线给出可直接复制的命令与参数说明。读完本文你将掌握 MedicalSeg 的配置体系、核心训练/评估/导出命令的每一个参数含义并能独立把任意新数据集接入该框架完成训练与部署。1. 参数配置三级 YAML 配置体系MedicalSeg 采用_base_继承式的多级 YAML 配置设计让数据/损失/优化器与模型结构解耦同一个数据集配置二级配置可以搭配任意多个模型配置三级配置只需新建一个几行的三级配置即可换模型。1.1 配置目录结构以configs/目录为根配置按如下层次组织见 configs 目录├── _base_ # 一级基础配置后面所有的二级配置都需要继承它你可以在这里设置自定义的数据路径确保它有足够的空间来存储数据。 │ └── global_configs.yml ├── lung_coronavirus # 每个数据集/器官有个独立的文件夹这里是 COVID-19 CT scans 数据集的路径。 │ ├── lung_coronavirus.yml # 二级配置继承一级配置关于损失、数据、优化器等配置在这里。 │ ├── README.md │ └── vnet_lung_coronavirus_128_128_128_15k.yml # 三级配置关于模型的配置不同的模型可以轻松拥有相同的二级配置。 └── schedulers # 用于规划两阶段的配置暂时还没有使用它。 └── two_stage_coarseseg_fineseg.yml一级配置_base_/global_configs.yml目前只定义全局数据根目录其内容为data_root: data/所有数据下载、预处理产物都默认落在此目录下。如果你的磁盘空间紧张只需修改这里的路径指向一个容量充足的目录全部二级配置都会自动继承。二级配置以lung_coronavirus/lung_coronavirus.yml为代表集中了数据集、数据增强、优化器、学习率调度与损失函数等训练要素。三级配置如vnet_lung_coronavirus_128_128_128_15k.yml只负责定义模型结构通过_base_: lung_coronavirus.yml继承二级配置。这样同一数据集下切换 VNet、UNETR、Swin-UNet 等模型时二级配置无需任何改动。仓库中已经预置了多个数据集/器官的配置目录包括acdc心脏、mri_spine_seg脊柱 MRI、msd_brain_seg脑部、synapse腹部多器官以及nnunetMedical Segmentation Decathlon 标准流程可作为参照模板。1.2 二级配置参数详解以 configs/lung_coronavirus/lung_coronavirus.yml 为例逐段解释_base_: ../_base_/global_configs.yml batch_size: 6 iters: 15000 train_dataset: type: LungCoronavirus dataset_root: lung_coronavirus/lung_coronavirus_phase0 result_dir: lung_coronavirus/lung_coronavirus_phase1 transforms: - type: RandomResizedCrop3D size: 128 scale: [0.8, 1.2] - type: RandomRotation3D degrees: 90 - type: RandomFlip3D mode: train num_classes: 3 val_dataset: type: LungCoronavirus dataset_root: lung_coronavirus/lung_coronavirus_phase0 result_dir: lung_coronavirus/lung_coronavirus_phase1 num_classes: 3 transforms: [] mode: val dataset_json_path: data/lung_coronavirus/lung_coronavirus_raw/dataset.json optimizer: type: sgd momentum: 0.9 weight_decay: 1.0e-4 lr_scheduler: type: PolynomialDecay decay_steps: 15000 learning_rate: 0.001 end_lr: 0 power: 0.9 loss: types: - type: MixedLoss losses: - type: CrossEntropyLoss weight: Null - type: DiceLoss coef: [1, 1] coef: [1]关键字段说明_base_指向继承的一级配置或上一级二级配置相对路径以当前文件所在目录为基准。batch_size/iters单卡批大小与总迭代数。本示例为 6 与 15000也可在命令行用--batch_size、--iters临时覆盖。train_dataset/val_datasettype对应 medicalseg/datasets/lung_coronavirus.py 中注册的LungCoronavirus类dataset_root指向预处理后的phase0数据目录result_dir用于存放训练/评估过程中产生的预测结果。num_classes: 3对应背景、左肺、右肺三个类别。transforms3D 专用数据增强训练集启用RandomResizedCrop3D随机裁剪缩放到 128³ 体素、尺度范围 0.8~1.2、RandomRotation3D90° 随机旋转、RandomFlip3D随机翻转验证集transforms: []不做增强保证评估结果可复现。optimizerSGD动量 0.9权重衰减 1e-4。训练时权重衰减会作用于所有可训练参数帮助抑制过拟合。lr_scheduler多项式衰减调度器从 0.001 线性/多项式衰减到end_lr: 0power: 0.9控制衰减曲线形状decay_steps与总迭代数保持一致。loss使用MixedLoss组合交叉熵损失CrossEntropyLoss与 Dice 损失DiceLosscoef: [1, 1]表示两者等权相加外层coef: [1]是该混合损失在总损失中的权重。交叉熵保证逐体素分类精度Dice 损失直接优化分割区域的重叠度两者结合对医学影像中常见的类别不均衡问题更稳健。1.3 三级配置参数详解vnet_lung_coronavirus_128_128_128_15k.yml 内容非常精简_base_: lung_coronavirus.yml model: type: VNet elu: False in_channels: 1 num_classes: 3 pretrained: https://bj.bcebos.com/paddleseg/dygraph/lung_coronavirus/vnet_lung_coronavirus_128_128_128_15k/pretrain/model.pdparamstype: VNet指定 3D 分割网络 VNet以 128×128×128 体素输入训练 15k 迭代配置文件名即这三要素的缩写。elu是否在 VNet 中使用 ELU 激活函数False时使用默认激活。in_channels: 1CT 为单通道灰度体数据。num_classes: 3输出 3 类背景、左肺、右肺。pretrained预训练权重地址。模型首次加载时会自动下载也可在本地准备好该权重后离线训练。2. 数据准备一键下载、预处理与切分MedicalSeg 为每个数据集提供了独立的准备脚本将下载原始数据 → 解压 → 归一化/重采样 → 转成 numpy → 划分训练/验证集 → 生成索引文件全流程自动化。以 COVID-19 CT scans 为例见 tools/prepare_lung_coronavirus.pypython tools/prepare_lung_coronavirus.py # 以 COVID-19 CT scans 为例。2.1 脚本内部做了什么从源码看该脚本继承prepare.py中的Prep基类并完成四件事下载并解压内置lung_infection.zip、lung_mask.zip、infection_mask.zip、20_ncov_scan.zip四个压缩包的下载地址自动下载并解压到data/lung_coronavirus/lung_coronavirus_raw/下的20_ncov_scan、infection_mask、lung_infection、lung_mask等目录。预处理对 CT 图像执行 HU 归一化HUnorm随后用resample把体数据统一重采样到[128, 128, 128]尺寸——图像使用order1线性插值保留灰度细节标签使用order0最近邻插值避免产生新类别值。保存为 numpy将处理结果以.npy文件写入lung_coronavirus_phase0/下的images/与labels/目录命名规则与原始病例一一对应。划分数据集以train_split0.7575% 训练、25% 验证的比例生成train_list.txt与val_list.txt并在dataset.json中登记模态CT与类别语义0: background、1: left lung、2: right lung。2.2 预处理产物的目录规范预处理完成后得到如下结构这也是后续所有数据集必须遵循的输入约定├── lung_coronavirus_phase0 # 预处理后的文件路径 │ ├── images │ │ ├── imagexx.npy │ │ ├── ... │ ├── labels │ │ ├── labelxx.npy │ │ ├── ... │ ├── train_list.txt # 训练数据格式: /path/to/img_name_xxx.npy /path/to/label_names_xxx.npy │ └── val_list.txt # 评估数据格式: img_name_xxx.npy label_names_xxx.npytrain_list.txt与val_list.txt的每一行由图像 npy 路径 空格 标签 npy 路径组成是数据加载器读取样本的唯一索引。仓库tools/目录下还提供了prepare_abdomen.py、prepare_acdc.py、prepare_mri_spine_seg.py、prepare_msd.py、prepare_msd_brain_seg.py、prepare_prostate.py等脚本分别对应腹部、心脏、脊柱、MSD 等多个公开数据集用法完全相同只需运行对应脚本。3. 训练与评估一条命令全流程配置与数据就绪后运行 run-vnet.sh 即可依次完成训练、评估、导出与推理实现一键训练推理# 设置使用的单卡 GPU id export CUDA_VISIBLE_DEVICES3 # 设置配置文件名称和保存路径 config_namevnet_lung_coronavirus_128_128_128_15k ymllung_coronavirus/${config_name} save_dir_allsaved_model save_dirsaved_model/${config_name} mkdir -p $save_dir # 模型训练 python3 train.py --config configs/${yml}.yml \ --save_dir $save_dir \ --save_interval 500 --log_iters 100 \ --num_workers 6 --do_eval --use_vdl \ --keep_checkpoint_max 5 --seed 0 $save_dir/train.log # 模型评估 python3 val.py --config configs/${yml}.yml \ --save_dir $save_dir/best_model --model_path $save_dir/best_model/model.pdparams \ # 模型导出 python export.py --config configs/${yml}.yml \ --model_path $save_dir/best_model/model.pdparams # 模型预测 python deploy/python/infer.py --config output/deploy.yaml --image_path data/lung_coronavirus/lung_coronavirus_phase0/images/coronacases_org_007.npy --benchmark True也可以只运行脚本的前半段单独训练与评估# 设置使用的单卡 GPU id export CUDA_VISIBLE_DEVICES0 # 设置配置文件名称和保存路径 ymlvnet_lung_coronavirus_128_128_128_15k save_dirsaved_model/${yml} mkdir -p $save_dir # 训练模型 python3 train.py --config configs/lung_coronavirus/${yml}.yml \ --save_dir $save_dir \ --save_interval 500 --log_iters 100 \ --num_workers 6 --do_eval --use_vdl \ --keep_checkpoint_max 5 --seed 0 $save_dir/train.log # 评估模型 python3 val.py --config configs/lung_coronavirus/${yml}.yml \ --save_dir $save_dir/best_model --model_path $save_dir/best_model/model.pdparams3.1 train.py 参数全解train.py 的完整命令行参数如下均可覆盖配置文件中的对应项参数默认值说明--config必填三级配置 YAML 路径--iters由配置决定覆盖总训练迭代数--batch_size由配置决定覆盖单卡批大小--learning_rate由配置决定覆盖初始学习率--save_interval1000每隔多少迭代保存一次模型快照--resume_modelNone断点续训传入已有模型权重路径--save_dir./output模型快照保存目录--keep_checkpoint_max5最多保留的检查点数量超出自动清理旧权重--num_workers0DataLoader 子进程数6 左右可明显加速数据读取--do_evalFalse开关训练过程中每隔save_interval在验证集上评估--log_iters100每 N 个迭代打印一次训练日志--use_vdlFalse开关是否将训练指标写入 VisualDL 可视化--seedNone固定随机种子Paddle/numpy/python 三处同时设置--data_formatNCHW仅 DeepLabV3P 支持 NHWC--precisionfp32fp16 时启用 AMP 混合精度训练--nnunetFalse开关切换到 nnUNet 训练流程--profiler_optionsNone开启训练性能剖析值得注意的实现细节train.py通过Config把命令行传入的learning_rate、iters、batch_size合并进配置字典后再构造数据集、损失与模型见 train.py因此这三个参数既可以在 YAML 中预设也可以每次运行时按需覆盖--do_eval开启后训练过程中会自动执行验证并把最优权重保存为best_model/model.pdparams这正是后续评估、导出命令直接引用该路径的原因。3.2 val.py 参数全解val.py 负责加载训练好的权重进行离线评估参数默认值说明--config必填与训练一致的配置 YAML--model_pathsaved_model/.../best_model/model.pdparams待评估的权重路径--save_dirsaved_model/.../best_model评估结果保存目录预测图等--num_workers0DataLoader 子进程数--print_detailTrue是否逐类打印评估指标--use_vdlTrue是否用 VisualDL 记录结果图像--auc_rocFalse是否额外计算 AUC-ROC 指标评估的核心流程是读取配置 → 加载权重utils.load_entire_model→ 在val_dataset上逐样本推理 → 输出逐类与总体指标并将预测结果写入save_dir。--auc_roc对需要 ROC 曲线的分类/分割任务特别有用。4. 模型部署导出静态图并加速推理训练完成后export.py 会把动态图模型转换为 Paddle Inference 静态图model.pdmodelmodel.pdiparams并生成配套的deploy.yaml部署描述文件。完整命令如下详见 deploy/python/README.mdcd MedicalSeg/ # 用训练好的模型进行静态图导出 python export.py --config configs/lung_coronavirus/vnet_lung_coronavirus_128_128_128_15k.yml --model_path /path/to/your/trained/model # 使用 Paddle Inference 进行推理 python deploy/python/infer.py \ --config /path/to/model/deploy.yaml \ --image_path /path/to/image/path/or/dir/ \ --benchmark True # 在安装了 AutoLog 之后打开benchmark可以看到推理速度等信息安装方法可以见 deploy/python/README.md如果有 Finish 输出说明导出成功并且可以进行推理加速。4.1 export.py 的关键机制从源码看export.py 的导出流程为从配置构建模型并加载--model_path权重默认输入形状为[None, 1, None, None, None]NCDHW 五维通道数 1、空间维度可动态也可用--input_shape指定固定形状以换取更优的算子融合用paddle.jit.to_staticpaddle.jit.save生成静态图model.pdmodel与model.pdiparams自动写出deploy.yaml其中登记了transforms、inference_helper、模型与参数字段名推理端直接读取该文件即可复现预处理。导出时还可通过两个开关定制网络尾部--with_softmax在输出前追加 softmax输出概率图--without_argmax去掉默认的 argmax输出原始 logits。两者配合可以满足输出类别索引或输出概率/连续值两种下游需求。4.2 推理与性能基准deploy/python/infer.py接收deploy.yaml与--image_path支持单张.npy文件或整个目录--benchmark True时会在安装 AutoLog 的前提下打印推理耗时、吞吐等性能数据方便对比不同硬件/不同输入尺寸下的加速效果。5. 在自己的数据上训练四步扩展新数据集如果想在自有数据集上训练需要按下面的模式新增四类文件配置目录、数据预处理脚本、数据集类、训练脚本。下面以 COVID-19 CT scans 为参照模板分步说明。5.1 增加配置目录首先按照与lung_coronavirus相同的模式新增一个与数据集对应的配置目录参考 configs 目录结构├── _base_ │ └── global_configs.yml ├── lung_coronavirus │ ├── lung_coronavirus.yml │ ├── README.md │ └── vnet_lung_coronavirus_128_128_128_15k.yml其中二级配置负责数据、增强、优化器与损失三级配置继承二级配置只写模型部分这样未来换模型时无需改动数据/训练设置。5.2 增加数据集预处理文件所有数据需要经过预处理转换成 numpy 数据并进行数据集划分参考 tools/prepare_lung_coronavirus.py。该脚本继承Prep基类你只需重写四块内容数据下载地址与解压配置urls、uncompress_params预处理流水线如 HU 归一化、重采样到固定尺寸图像用order1、标签用order0generate_txt中train_list.txt/val_list.txt的生成逻辑与划分比例默认train_split0.75通过generate_dataset_json登记模态与类别语义。产物必须满足统一的 numpy 目录规范├── lung_coronavirus_phase0 # 预处理后的文件路径 │ ├── images │ │ ├── imagexx.npy │ │ ├── ... │ ├── labels │ │ ├── labelxx.npy │ │ ├── ... │ ├── train_list.txt # 训练数据格式: /path/to/img_name_xxx.npy /path/to/label_names_xxx.npy │ └── val_list.txt # 评估数据格式: img_name_xxx.npy label_names_xxx.npy5.3 增加数据集文件所有的数据集都继承MedicalDataset基类并通过上一步生成的train_list.txt和val_list.txt来获取数据。代码示例见 medicalseg/datasets/lung_coronavirus.py。以该文件为模板新的数据集类需要继承MedicalDataset在__init__中透传dataset_root、result_dir、transforms、num_classes、mode、ignore_index、dataset_json_path等参数使用manager.DATASETS.add_component装饰器注册类名使配置文件中type: YourDataset能正确解析到该类无需自己实现复杂的文件遍历逻辑——基类会基于train_list.txt/val_list.txt完成样本加载并配合配置中的 3D 增强流水线输出(1, D, H, W)的图像与(D, H, W)的标签。5.4 增加训练脚本训练脚本能自动化训练推理过程我们提供了 run-vnet.sh 示例供参考只需要复制并按照需要修改三处即可一键完成训练→评估→导出→推理CUDA_VISIBLE_DEVICES改成你要使用的 GPU 编号config_name改成你的三级配置文件名不含.yml后缀按需调整--save_interval、--num_workers、--keep_checkpoint_max等训练超参。修改后执行脚本即可在自有数据上复现与 COVID-19 CT 分割完全一致的端到端流程训练日志写入saved_model/config_name/train.log最优权重保存在best_model/model.pdparams最终静态图与deploy.yaml输出到output/目录随后deploy/python/infer.py直接对新的.npy体数据做推理预测。6. 小结MedicalSeg 通过三级配置解耦 一键脚本串联的设计把医学图像分割从数据准备到部署的全链路收敛为极低的操作成本_base_级配置统一数据根目录二级配置沉淀数据/损失/优化器三级配置只换模型prepare_*.py脚本一键完成下载、预处理、切分run-vnet.sh一条命令打通训练、评估、导出、推理。对于自有数据集只需按第 5 节的四步模板补齐配置、预处理脚本、数据集类与训练脚本即可无缝复用 VNet、UNETR、nnUNet 等 3D 分割模型实现从算法到落地的快速闭环。赞分享人工智能计算机视觉预训练【免费下载链接】PaddleSegEasy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, 3D Segmentation, etc.项目地址https://gitcode.com/gh_mirrors/pa/PaddleSeg点击查看免费下载相关推荐终极网盘直链下载助手完整指南一键获取九大网盘真实下载链接的免费解决方案终极网盘直链下载助手完整指南一键获取九大网盘真实下载链接的免费解决方案 你是否厌倦了网盘下载的种种限制 网盘直链下载助手 LinkSwift是一款基于J人工智能计算机视觉预训练SuperGradients 姿态估计实战指南DEKR 模型训练、评估与自定义数据集接入SuperGradients 姿态估计实战指南DEKR 模型训练、评估与自定义数据集接入 姿态估计Pose Estimation是计算机视觉的核心任务之一深度学习计算机视觉预训练人工智能PaddleSeg PP-LiteSeg实时轻量语义分割模型的训练、评估与部署实战指南PaddleSeg PP LiteSeg实时轻量语义分割模型的训练、评估与部署实战指南 PP LiteSeg 是 PaddleSeg 中面向实时语义分割任务的人工智能计算机视觉预训练上一篇pi-computer-use navigate_browser实战事件驱动导航替代截图轮询下一篇精通Audacity音频编辑器从多轨混音到实时效果处理的进阶指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考