# TransUnet

**Repository Path**: kleanfeng/trans-unet

## Basic Information

- **Project Name**: TransUnet
- **Description**: TransUnet实现+个人想法尝试
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 1
- **Created**: 2022-07-19
- **Last Updated**: 2025-03-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# TransUNet
论文链接 [TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation](https://arxiv.org/pdf/2102.04306.pdf)

原项目地址[https://github.com/Beckschen/TransUNet](https://github.com/Beckschen/TransUNet)

## 使用介绍

### 1. 下载预训练ViT模型
* 预训练权重：链接：https://pan.baidu.com/s/16jYx7yoVmALEIJ0ilPOtSw?pwd=25mm 
提取码：25mm
* 数据集：https://www.aliyundrive.com/s/1cyhNpLSC5n


### 2. 准备数据

到 ["./datasets/README.md"](datasets/README.md) 下查看细节，或者在gmail.com中联系jienengchen01请求获取预处理的数据。预处理数据仅可用于研究目的并且不可做重新分配（不知道啥意思，待完善翻译）。

### 3. 环境

* python=3.7
* 使用"pip install -r requirements.txt" 指令安装相关依赖。

### 4. 训练/测试

- 使用synapse数据集执行训练脚本。 为了减少内存使用，可以将batch size降低至12 或者 6（也请线性地降低base_lr）， 这样也可以达到近似的效果。

```bash
CUDA_VISIBLE_DEVICES=0 python train.py --dataset Synapse --vit_name R50-ViT-B_16
```

- 使用synapse数据集执行测试脚本。 同时支持2D图像和3D volumes的测试。

```bash
python test.py --dataset Synapse --vit_name R50-ViT-B_16
```


### Q：如何使用自己的数据集进行训练？
- 根据上文安装好相关依赖。
- 将数据分为train和test，将图像和标签文件保存在data/dataname/train/images和data/dataname/train/labels下，test部分数据的保存及目录结构一致。
- 进行训练，执行脚本参考如下：
```bash
python train.py --dataset crack --vit_name R50-ViT-B_16 --batch_size 8 
```
- 进行测试，执行脚本参考如下：
```bash
python test.py --dataset crack --vit_name R50-ViT-B_16
```

## 参考
* [Google ViT](https://github.com/google-research/vision_transformer)
* [ViT-pytorch](https://github.com/jeonsworld/ViT-pytorch)
* [segmentation_models.pytorch](https://github.com/qubvel/segmentation_models.pytorch)

## 引用

```bibtex
@article{chen2021transunet,
  title={TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation},
  author={Chen, Jieneng and Lu, Yongyi and Yu, Qihang and Luo, Xiangde and Adeli, Ehsan and Wang, Yan and Lu, Le and Yuille, Alan L., and Zhou, Yuyin},
  journal={arXiv preprint arXiv:2102.04306},
  year={2021}
}
```