fly6516
b1e90c4c9d
- 添加 U-Net 模型实现图像分割功能- 实现 SIFT 特征提取算法 - 创建实验报告模板和环境配置指南 - 添加数据集下载脚本和目录结构设置脚本 - 实现模型训练和测试流程
1.3 KiB
1.3 KiB
激活虚拟环境
..venv\Scripts\activate
确保数据集已正确放置在data/目录下
验证数据集结构：
- data/images/ (原始图像)
- data/masks/ (对应掩码)
运行UNet训练
python code/unet_segmentation.py
预期输出：
Epoch [1/10], Loss: 0.4567 Epoch [2/10], Loss: 0.3214 ... 训练完成，总耗时: 125.36 秒 模型已保存为 unet_brain_tumor.pth
## 运行图像分割实验（COCO格式数据集）
```bash
# 激活虚拟环境
.\.venv\Scripts\activate
# 确保数据集已正确放置在dataset/目录下
# 验证数据集结构：
# - dataset/train/ (训练集图像)
# - dataset/valid/ (验证集图像)
# - dataset/test/ (测试集图像)
# - _annotations.coco.json (标注文件)
# 运行UNet训练
python code/unet_segmentation.py
预期输出：
INFO - 成功加载 N 个训练样本
INFO - Epoch [1/10], Loss: 0.4567
INFO - Epoch [2/10], Loss: 0.3214
...
INFO - 训练完成，总耗时: 125.36 秒
INFO - 模型已保存为 unet_coco.pth```
## 运行SIFT特征提取实验
```bash
# 激活虚拟环境
.\.venv\Scripts\activate
# 运行SIFT特征提取
python code/sift_features.py
预期输出：
开始SIFT特征提取...
检测到 128 个关键点
描述符形状: (128, 128)
特征提取耗时: 0.0456 秒
结果已保存至: output/sift_results/sift_result.jpg```