scipy==1.4.1 numpy==1.18.4 matplotlib==3.2.1 opencv_python==4.2.0.34 tensorflow_gpu==2.2.0 tqdm==4.46.1 Pillow==8.2.0 h5py==2.10.0
Mobile net：
Resnet：
- datasets文件夹可以存放的图片分为两部分，train里面是训练图片，test里面是测试图片。
- 在训练之前需要首先准备好数据集，在train或者test文件里里面创建不同的文件夹，每个文件夹的名称为对应的类别名称，文件夹下面的图片为这个类的图片。文件格式可参考如下：
|-datasets
|-train
|-label1
|-123.jpg
|-234.jpg
|-label2
|-345.jpg
|-456.jpg
|-...
|-test
|-label1
|-567.jpg
|-678.jpg
|-label2
|-789.jpg
|-890.jpg
|-...
-
在准备好数据集后，需要在根目录运行txt_annotation.py生成训练所需的txt路径文件，运行前需要修改其中的classes，将其修改成自己需要分的类。
-
之后修改model_data文件夹下的cls_classes.txt，使其也对应自己需要分的类。
-
在train.py里面调整参数开始训练。
-
也可以通过标签txt构建绝对路径训练数据集txt文件索引，标签代号与标签txt文件对应即可。根据不同数据集的标注格式来构建全局数据集路径。具体代码参考data_pre文件夹。
- 按照训练步骤训练。
- 在classification.py文件里面，在如下部分修改model_path、classes_path、backbone和alpha使其对应训练好的文件；
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path
# model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt
# 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改
#--------------------------------------------------------------------------#
"model_path" : 'model_data/model.h5',
"classes_path" : 'model_data/cls_classes.txt',
#--------------------------------------------------------------------#
# 输入的图片大小
#--------------------------------------------------------------------#
"input_shape" : [224, 224],
#--------------------------------------------------------------------#
# 所用模型种类：
#--------------------------------------------------------------------#
"backbone" : 'mobilenet',
#--------------------------------------------------------------------#
# 当使用mobilenet的alpha值
# 仅在backbone='mobilenet'的时候有效
#--------------------------------------------------------------------#
"alpha" : 0.25
}- 运行predict.py，输入图像路径
img/test.jpg- 在准备好数据集后，需要在运行txt_annotation.py或者根据csv标签构建评估所需的数据路径文件test_annotation_path.txt。
- 之后在classification.py文件里面修改如下部分model_path、classes_path、backbone和alpha使其对应训练好的文件；model_path对应权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值。
示例：
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path
# model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt
# 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改
#--------------------------------------------------------------------------#
"model_path" : 'model_data/model.h5',
"classes_path" : 'model_data/cls_classes.txt',
#--------------------------------------------------------------------#
# 输入的图片大小
#--------------------------------------------------------------------#
"input_shape" : [224, 224],
#--------------------------------------------------------------------#
# 所用模型种类：
#--------------------------------------------------------------------#
"backbone" : 'mobilenet',
#--------------------------------------------------------------------#
# 当使用mobilenet的alpha值
# 仅在backbone='mobilenet'的时候有效
#--------------------------------------------------------------------#
"alpha" : 0.25
}-
运行eval_auc_95-confiden.py来进行模型AUC ROC准确率评估。 eval_auc_95-confiden.py运行前需要修改的参数：
classes_path ： 模型标签 test_annotation_path ： 测试集路径文件 root_path ： 结果输出保存路径
-
在准备好数据集后，需要在运行txt_annotation.py或者根据csv标签构建评估所需的数据路径文件test_annotation_path.txt。
-
之后在classification.py文件里面修改如下部分model_path、classes_path、backbone和alpha使其对应训练好的文件；model_path对应权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值。
-
运行heatmap-new_version.py来进行模型热力图结果。 heatmap-new_version.py运行前需要修改的参数：
示例：
# 数据集路径path文件 test_annotation_path = 'data_path_txt/data_path_vindr-pcxr_train.txt' # 获取类名 classes_path = 'model_data/cls_classes_new2.txt' # 结果输出保存路径 output_dest = 'heatmap_output/vindr-pcxr/'
- 在准备好数据集后，需要在运行txt_annotation.py或者根据csv标签构建评估所需的数据路径文件test_annotation_path.txt。
- 之后在classification.py文件里面修改如下部分model_path、classes_path、backbone和alpha使其对应训练好的文件；model_path对应权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值。
示例：
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path
# model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt
# 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改
#--------------------------------------------------------------------------#
"model_path" : 'model_data/model.h5',
"classes_path" : 'model_data/cls_classes.txt',
#--------------------------------------------------------------------#
# 输入的图片大小
#--------------------------------------------------------------------#
"input_shape" : [224, 224],
#--------------------------------------------------------------------#
# 所用模型种类：
#--------------------------------------------------------------------#
"backbone" : 'mobilenet',
#--------------------------------------------------------------------#
# 当使用mobilenet的alpha值
# 仅在backbone='mobilenet'的时候有效
#--------------------------------------------------------------------#
"alpha" : 0.25
}-
运行eval_auc_mask-95-confiden.py来进行模型mask贡献率准确率评估。 eval_auc_mask-95-confiden.py运行前需要修改的参数：
classes_path ： 模型标签 test_annotation_path ： 测试集路径文件 root_path ： 结果输出保存路径mask遮罩坐标数据与处理函数在add_mask.py。遮罩具体参考lung_mask_exp.png文件。
获得遮罩数据代码：get_point.py
判断正侧位模型使用mobilenet，遮罩评估的时候为级联结构，模型封装代码classification_front.py
运行plot_model.py
compare_human_plot.py 修改参数： 示例：
机器结果
csv_path = 'compare_with_human/metrics_out_human/machine.csv'
# 获取类名
classes_path = 'model_data/cls_classes_new2_delete_last2.txt'
root_path = 'compare_with_human/com_plot'
```