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
2.1 KiB
2.1 KiB
环境配置指南
安装依赖库
# 激活虚拟环境（如果使用）
.\.venv\Scripts\activate
# 安装核心依赖
pip install -r requirements.txt
COCO数据集准备
重要：请将COCO格式数据集组织为以下结构：
dataset/
├── train/ # 存放训练集图像
├── valid/ # 存放验证集图像
├── test/ # 存放测试集图像
└── _annotations.coco.json # COCO格式标注文件（需在每个子目录下）
数据集获取建议
- 可从COCO官方数据集下载：https://cocodataset.org/#download
- 或使用自定义标注数据（需符合COCO格式规范）
数据集准备
重要：请确保已将脑肿瘤数据集组织为以下结构：
data/
├── images/ # 存放原始图像（文件名需包含"_image"后缀）
└── masks/ # 存放对应掩码图像（文件名需包含"_mask"后缀）
数据集命名规范
- 原始图像：
xxx_image.jpg - 对应掩码：
xxx_mask.jpg - 确保图像和掩码文件名除后缀外完全相同
数据集获取建议
- 可从Kaggle脑肿瘤数据集下载：https://www.kaggle.com/datasets/pkdarabi/brain-tumor-image-dataset-semantic-segmentation
- 或使用自定义标注数据
数据准备指南
图像分割数据集
-
Oxford-IIIT Pet Dataset (推荐)
- 下载地址: https://www.robots.ox.ac.uk/~vgg/data/pets/
- 解压后包含两个主要目录：
images/- 原始图像annotations/trimaps/- 对应的掩码图像
- 将图像复制到项目目录：
cp -r images/ ../AI-exp-2/data/images/ cp -r annotations/trimaps/ ../AI-exp-2/data/masks/
-
自定义数据集
- 准备至少20对图像和对应的二值掩码图像
- 图像命名需保持一致（如：image001.jpg 和 image001_mask.jpg）
SIFT测试图像
- 准备一张彩色测试图像（JPG格式）
- 重命名为
image.jpg - 放置到
data/目录下
目录结构验证
# 验证目录结构是否正确
python setup_directories.py