CCT 项目使用教程

1. 项目目录结构及介绍

CCT/
├── base/
├── configs/
├── dataloaders/
├── models/
├── pseudo_labels/
├── utils/
├── .gitignore
├── LICENSE
├── README.md
├── inference.py
├── requirements.txt
├── train.py
└── trainer.py

• base/: 包含项目的基础代码文件。
• configs/: 包含项目的配置文件。
• dataloaders/: 包含数据加载相关的代码文件。
• models/: 包含模型的定义和实现代码。
• pseudo_labels/: 包含生成伪标签的代码文件。
• utils/: 包含项目中使用的各种实用工具函数。
• .gitignore: Git 忽略文件配置。
• LICENSE: 项目的开源许可证文件。
• README.md: 项目的介绍和使用说明。
• inference.py: 用于模型推理的启动文件。
• requirements.txt: 项目依赖的 Python 包列表。
• train.py: 用于模型训练的启动文件。
• trainer.py: 包含训练器的实现代码。

2. 项目启动文件介绍

train.py

train.py 是用于启动模型训练的脚本。它读取配置文件中的参数，初始化模型和数据加载器，并开始训练过程。训练过程中会保存日志文件和模型检查点。

使用方法：

python train.py --config configs/config.json

inference.py

inference.py 是用于模型推理的脚本。它加载预训练模型，并对指定的图像进行语义分割预测。预测结果会保存为 PNG 文件。

使用方法：

python inference.py --config config.json --model best_model.pth --images images_folder

3. 项目配置文件介绍

configs/config.json

config.json 是项目的主要配置文件，包含了训练和推理过程中所需的各种参数。以下是一些关键配置项的介绍：

• name: 项目的名称。
• experim_name: 实验名称，用于保存结果的文件夹名称。
• n_gpu: 使用的 GPU 数量。
• n_labeled_examples: 有标签的样本数量。
• diff_lrs: 是否使用不同的学习率。
• ramp_up: 无监督损失的逐步增加比例。
• unsupervised_w: 无监督损失的权重。
• ignore_index: 忽略的标签索引。
• lr_scheduler: 学习率调度器类型。
• use_weak_labels: 是否使用弱标签进行训练。
• weakly_loss_w: 弱监督损失的权重。
• pretrained: 是否使用预训练模型。
• model: 模型相关配置，包括监督设置、半监督设置、损失函数类型等。

配置文件的具体内容可以根据实验需求进行调整。