### 数据集路径修改与主函数设计 在 Python 的图像分割项目中，通常会涉及多个模块的设计，包括数据加载、模型构建、损失函数定义以及评估指标计算。以下是针对问题的具体实现方法。 #### 1. 修改数据集路径 为了灵活调整数据集路径，可以将路径配置集中到一个单独的文件或字典中。通过这种方式，便于后续维护和扩展。以下是一个简单的示例： ```python import os class DatasetConfig: def __init__(self): self.train_path = "./data/train" self.val_path = "./data/val" self.test_path = "./data/test" def modify_dataset_paths(config, train=None, val=None, test=None): if train: config.train_path = train if val: config.val_path = val if test: config.test_path = test # 使用方式 config = DatasetConfig() modify_dataset_paths(config, train="./new_data/train", val="./new_data/val") # 动态修改路径 print(f"Train Path: {config.train_path}, Val Path: {config.val_path}") ``` 以上代码展示了如何动态修改数据集路径[^3]。 --- #### 2. 设置主函数以支持训练、验证和测试 主函数 `main()` 是程序的核心入口点，用于协调不同阶段的操作（如训练、验证和测试）。下面提供了一个完整的主函数模板： ```python import argparse from dataset_config import DatasetConfig from model import SegmentationModel from utils import DiceCoefficient def parse_args(): parser = argparse.ArgumentParser(description="Image Segmentation Training Script") parser.add_argument("--train-path", type=str, default="./data/train", help="Path to training data") parser.add_argument("--val-path", type=str, default="./data/val", help="Path to validation data") parser.add_argument("--test-path", type=str, default="./data/test", help="Path to testing data") return parser.parse_args() def main(): args = parse_args() # 初始化数据集路径 config = DatasetConfig() modify_dataset_paths(config, train=args.train_path, val=args.val_path, test=args.test_path) # 加载模型 model = SegmentationModel(num_classes=2) # 假设二分类任务 # 定义优化器和损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) criterion = FocalLoss(alpha=1, gamma=2) # 自定义Focal Loss[^1] # 开始训练循环 best_dice_score = 0.0 for epoch in range(1, epochs + 1): train_loss = train_one_epoch(model, optimizer, criterion, config.train_path) dice_val = validate_model(model, config.val_path) print(f"Epoch [{epoch}/{epochs}], Train Loss: {train_loss:.4f}, Validation DICE: {dice_val:.4f}") if dice_val > best_dice_score: best_dice_score = dice_val save_checkpoint(model, optimizer, epoch, path="best_model.pth") # 测试阶段 final_test_results = test_model(model, config.test_path) print(f"Final Test Results: Mean DICE Score = {final_test_results['mean_dice']:.4f}") if __name__ == "__main__": main() ``` 此代码片段实现了以下几个功能： - 支持通过命令行参数指定数据集路径。 - 将训练、验证和测试逻辑封装到独立函数中。 - 使用自定义的 Focal Loss 和 DICE 指标进行性能评估[^1][^2]。 --- #### 3. 实现 DICE 评估指标 DICE 系数是一种常用的医学影像分割评价标准，其公式如下： \[ DICE = \frac{2|A \cap B|}{|A| + |B|} \] 其中 \( A \) 表示预测掩码，\( B \) 表示真实标签。下面是其实现代码： ```python def compute_dice_coefficient(preds, labels, smooth=1e-7): preds_flat = preds.view(-1).float() labels_flat = labels.view(-1).float() intersection = (preds_flat * labels_flat).sum() union = preds_flat.sum() + labels_flat.sum() dice = (2.0 * intersection + smooth) / (union + smooth) return dice.item() class DiceCoefficient: def __call__(self, preds, labels): return compute_dice_coefficient(preds, labels) ``` 该函数适用于 PyTorch 张量输入，并返回单张图片的 DICE 分数值[^4]。 --- ### 总结 上述代码涵盖了数据集路径管理、主函数结构化设计以及 DICE 指标的实现。这些组件共同构成了一个可扩展的图像分割框架。