C2L_MICCAI2020：基于2D放射图像的有效预训练方法

本教程旨在指导您如何使用 C2L_MICCAI2020 开源项目，该项目提出了一种通过比较图像表示来超越ImageNet预训练在X射线影像上的方法，并且被早期接受于MICCAI 2020会议。

1. 目录结构及介绍

仓库的目录结构大致如下：

C2L_MICCAI2020/
 ├── DatasetGenerator.py     # 数据集生成器
 ├── LinearProbing.py       # 线性探针相关代码
 ├── README.md              # 项目说明文档
 ├── train_C2L_dense121.py   # 使用DenseNet-121进行训练的脚本
 ├── train_C2L_res18.py      # 使用ResNet-18进行训练的脚本
 ├── ...                     # 包括其他如模型、数据处理、工具函数等文件
 ├── licensed_files/        # 许可相关文件夹
 ├── pretrained_datasets/    # 预训练数据集存放路径（需自定义）
 └── utils/                 # 辅助工具函数

• train_C2L_{res18,dense121}.py 是主要的训练脚本，用于特定模型的对比学习预训练。
• DatasetGenerator.py 可能用于数据集的创建或转换。
• utils/ 文件夹中包含了多个辅助功能的Python文件，比如读取数据、损失计算等。
• pretrained_datasets/ 需要用户自定义路径，放置预训练所需的特定数据。

2. 启动文件介绍

训练ResNet-18

使用ResNet-18进行训练，运行以下命令：

CUDA_VISIBLE_DEVICES=0,1,2,3 python train_C2L_res18.py --model resnet18 --batch_size 128 --num_workers 24 --c2l

训练DenseNet-121

对于DenseNet-121，执行以下命令以开始训练：

CUDA_VISIBLE_DEVICES=0,1,2,3 python train_C2L_dense121.py --model densenet121 --batch_size 128 --num_workers 24 --c2l

务必确保设置了正确的GPU设备和调整了batch_size与num_workers以适应您的硬件配置。

3. 配置文件介绍

尽管该项目没有单独列出一个传统意义上的配置文件，配置主要通过修改训练脚本中的参数来完成。主要关注点包括：

• 数据集路径配置: 在train_C2L_res18.py 和 train_C2L_dense121.py 中设置 opt.data_folder 来指向你的数据集路径。
• 模型权重保存路径: 通过 opt.model_path 指定模型权重保存的位置。
• TensorBoard日志路径: 若使用TensorBoard，配置 opt.tb_path。
• 数据预处理文件: 替换 pretrained_datasets/file_names.txt 来定制数据路径。

此外，在运行脚本之前，请确保根据实际需求配置上述参数以及其他可能需要调整的超参数。这些脚本内直接包含了预训练过程的关键配置部分，无需外部配置文件即可控制实验设置。