jittor-segment-1

项目概述：

第五届计图挑战赛赛道一乳腺癌超声影像分类项目

================================ 项目介绍 本项目基于 Jittor 深度学习框架，实现了对乳腺癌超声影像的精准分类。main.py 文件集成 了多种先进的深度学习技术来解决数据类别不平衡问题，包括 Focal Loss、类别权重、数据 增强等，使用 jittor库预训练的ResNet34 作为基础网络架构，模型轻量化的同时保持了不错的性能，训练以 及推理速度都较快。 主要特性：

• 基于 ResNet34 网络架构
• 集成 Focal Loss 解决类别不平衡问题
• 丰富的超声专用数据增强（斑点噪声、伽马校正等）
• 自动绘制训练曲线（损失、准确率）
• 支持模型推理和结果输出
• 预训练权重加载功能

代码结构说明：

├── main.py # ResNet34 主训练文件（集成所有改进） ├──data_analysis.py # 数据集具体信息可视化文件 ├── requirements.txt # 项目依赖 ├── TrainSet/ # 训练数据集 │ ├── images/train/ # 训练图像 │ └── labels/ # 标签文件 │ ├── train.txt # 训练集标签 │ └── val.txt # 验证集标签 ├── TestSetA/ # 测试数据集 └── model_save/ # 模型保存目录 核心功能模块:

• 数据加载与预处理（ImageFolder 类）
• 网络模型定义（Net 类，支持 ResNet34）
• 训练函数（training、evaluate、run）
• 损失函数（focal_loss、get_class_weights）
• 数据增强（AddSpeckleNoise、RandomGamma 等）
• 可视化（plot_metrics_curve）

环境配置:

安装 Python 3.7+ 安装项目依赖：

pip install -r requirements.txt

依赖包说明：

• jittor>=1.3.0：深度学习框架
• tqdm>=4.64.0：进度条显示
• numpy>=1.21.0：数值计算
• Pillow>=8.3.0：图像处理
• matplotlib>=3.5.0：绘图

运行步骤:

训练 ResNet34 模型：

python main.py

使用训练好的模型进行推理：

python main.py --testonly --dataroot ./TestSetA --loadfrom ./model_save/res34-best6-
19.pkl --result_path ./result.txt

参数说明:

• –dataroot：数据路径
• –testonly：仅进行推理（不训练）
• –loadfrom：加载的模型路径
• –result_path：结果输出路径
• –modelroot：模型保存路径

输出文件:

• metrics_curve.png：训练曲线图
• result.txt：推理结果文件
• model_save/*.pkl：保存的模型文件