简介这份源码包面向计算机相关专业正在做毕业设计、课程设计或期末大作业的学生以及需要医学图像分割实战练习的学习者核心解决细胞图像分割任务的完整实现问题。项目基于UNet与UNet两种经典网络结构配套训练、评估与预测全流程代码经导师指导并获评审99分代码完整可直接运行零基础也能上手。压缩包共48个文件以44个Python源码为主另含Dockerfile、requirements.txt、readme.md及.gitignore等配置说明文件整体约95KB体积轻量便于快速部署。目录中涵盖模型定义、数据加载、Dice评分、切片预测与后处理等模块结构清晰方便读者理解医学图像分割的工程组织方式。目前已有182人学习下载适合作为毕设参考或课程实战模板帮助读者掌握从数据预处理到模型推理的完整链路。1. 从一份细胞分割源码包说起UNet 与 UNet 到底能跑出什么细胞图像分割这件事真正上手做过的都知道难点从来不是把网络搭出来而是让模型在边界粘连、细胞重叠、染色不均的图像上还能把每个细胞分开。这份基于 UNet 和 UNet 的 Python 源码包解决的就是这个场景输入一张显微镜下的细胞图像输出每个细胞的分割掩膜用于后续计数、面积统计或形态分析。它适合正在做计算机相关专业毕业设计、课程设计、期末大作业的学生也适合想拿一个完整医学图像分割项目练手的学习者。包里同时给了 UNet 和 UNet 两套模型还带了 SAHI 切片推理、Dice 评分、数据加载和训练脚本不是那种只丢一个模型文件让你自己猜怎么用的半成品。下面我按实际拆包和跑通的顺序把这份资源讲清楚。2. 拆开源码包目录结构、模型选型与数据流2.1 目录里到底有什么哪些是核心拿到压缩包解压后根目录下能看到这些关键文件train.py、evaluate.py、predict.py、slicePredict.py以及unet/、sahi/、utils/、scripts/几个目录。requirements.txt和Dockerfile也在说明作者考虑过环境复现。我一般先看unet/目录因为模型定义全在这里。unet/下有unet_model.py、unet_parts.py、__init__.py。unet_parts.py里通常是 DoubleConv、Down、Up、OutConv 这些基础模块unet_model.py里则是 UNet 和 UNet 两个类的定义。UNet 的核心在于嵌套的密集跳跃连接和深监督它比原版 UNet 多了一层解码器子网络能缓解编码器与解码器之间语义鸿沟的问题。对于细胞图像这种目标小、边界模糊的场景UNet 在边界召回上通常比 UNet 更稳但参数量和显存占用也更高。sahi/目录是这份包比较有诚意的地方。SAHI 是 Slicing Aided Hyper Inference 的缩写专门做大幅图像的分块推理。细胞图像往往分辨率很高直接整图送进网络会爆显存或者下采样后小细胞直接消失。sahi/slicing.py负责切图sahi/postprocess.py负责把各块的预测拼回原图sahi/predict.py和sahi/prediction.py是推理入口。slicePredict.py就是调用这套流程的脚本。utils/下有data_loading.py、dice_score.py、dataprocess.py、utils.py。data_loading.py管数据集读取和增强dice_score.py实现 Dice 系数计算dataprocess.py大概率是数据预处理或格式转换。scripts/里可能有辅助脚本cli.py和annotation.py也在根目录附近前者可能是命令行入口后者可能涉及标注处理。2.2 为什么选 UNet 和 UNet而不是 Transformer 分割医学图像分割这几年确实有很多新架构比如 Swin-UNet、TransUNet但对细胞图像这个具体任务UNet 系列仍然是很务实的选择。原因有三点第一细胞分割的训练数据通常不大几百到几千张图Transformer 类模型在小数据上容易过拟合需要更强的预训练权重和更重的数据增强第二UNet 的跳跃连接对恢复细胞边界很有效编码器下采样丢掉的细节解码器能通过跳跃连接拿回来第三这份源码包已经把训练、评估、推理、切片推理都串好了换成 Transformer 你得自己改数据流和损失函数对做毕设或课程设计来说时间成本不划算。UNet 相比 UNet 的改进主要是在跳跃连接上做了嵌套。原版 UNet 是编码器第 i 层直接连到解码器第 i 层UNet 则在中间加了一系列密集卷积块让不同尺度的特征先融合再往上传。这样做的好处是解码器拿到的特征既有浅层的边缘信息也有深层的语义信息对细胞这种边界模糊的目标更友好。代价是显存占用增加训练时间变长。如果你的显卡只有 6GB 或 8GB建议先用 UNet 跑通再换 UNet 对比。2.3 数据从哪来格式怎么组织源码包本身不包含数据集这是常见做法因为医学数据涉及隐私和版权。你需要自己准备细胞图像数据集常见的有 ISBI 2012 细胞分割数据集、DSB2018 数据科学碗数据集或者自己标注的数据。数据组织方式一般是训练集和验证集分开每张图像对应一个掩膜掩膜是二值图细胞区域为 1背景为 0。utils/data_loading.py里通常会定义一个 Dataset 类读取图像和掩膜做归一化、随机翻转、旋转等增强。我一般会先检查这个文件里的__getitem__返回的 tensor 形状和取值范围确保图像是[C, H, W]掩膜是[1, H, W]或[H, W]值在 0 到 1 之间。如果这里不对后面训练 loss 不降或者预测全黑都是它引起的。# 常见的数据加载类结构具体以包内 data_loading.py 为准 class CellDataset(Dataset): def __init__(self, image_dir, mask_dir, transformNone): self.image_dir image_dir self.mask_dir mask_dir self.transform transform self.images os.listdir(image_dir) def __getitem__(self, index): img_path os.path.join(self.image_dir, self.images[index]) mask_path os.path.join(self.mask_dir, self.images[index].replace(.png, _mask.png)) image np.array(Image.open(img_path).convert(RGB)) mask np.array(Image.open(mask_path).convert(L), dtypenp.float32) mask[mask 127] 1.0 # 二值化阈值按实际标注调整 mask[mask 127] 0.0 if self.transform: augmentations self.transform(imageimage, maskmask) image augmentations[image] mask augmentations[mask] return image, mask这段代码的关键参数是二值化阈值。细胞掩膜如果是 8 位灰度图通常用 127 作为阈值但有些标注工具导出的是 0 和 255有些是 0 和 1你得先确认。另一个坑是图像和掩膜的文件名对应关系如果掩膜命名规则和图像不一致replace那行就会找不到文件。我一般会先写个小脚本统计一下图像和掩膜的数量是否一致文件名是否能一一对应再开始训练。3. 把环境跑起来依赖安装、训练与评估的完整链路3.1 环境准备与依赖安装这份包给了requirements.txt和Dockerfile说明作者至少考虑过环境问题。我一般优先用 Docker因为医学图像分割涉及 PyTorch、CUDA、OpenCV、NumPy 等一堆依赖版本对不上就是各种玄学报错。如果不用 Docker那就老老实实建虚拟环境。# 创建虚拟环境Python 版本建议 3.8 或 3.9 python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate # 安装依赖 pip install -r requirements.txt # 如果 requirements.txt 里没有固定版本建议手动确认几个关键库 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python numpy pillow matplotlib这里有个血泪经验requirements.txt里如果写了torch但没有指定 CUDA 版本pip 默认会装 CPU 版训练速度慢到你想砸键盘。装完之后一定要验证import torch print(torch.__version__) print(torch.cuda.is_available()) # 必须是 True print(torch.cuda.get_device_name(0))如果cuda.is_available()返回 False先检查显卡驱动再检查 CUDA 版本和 PyTorch 版本是否匹配。这一步不通过后面训练全是白搭。3.2 训练脚本怎么读、参数怎么改train.py是训练入口。我一般先不急着跑而是把文件从头到尾读一遍重点看这几个地方数据集路径、模型选择、损失函数、优化器、学习率、epoch 数、batch size、保存路径。# 常见训练命令具体参数名以 train.py 的 argparse 为准 python train.py \ --data_dir ./data/cells \ --model unet \ --epochs 50 \ --batch_size 4 \ --learning_rate 1e-4 \ --val_percent 0.1 \ --save_dir ./checkpoints参数说明--model通常可以选unet或unet_plus_plus对应两套模型--batch_size在显存允许的情况下尽量大一点细胞图像分割常用 4 到 8--learning_rate用 1e-4 或 1e-3 起步如果 loss 震荡就降到 1e-5--val_percent是验证集比例0.1 表示 10% 数据用于验证。如果train.py里没有这些参数而是硬编码在文件里那就直接改源码但记得改完备份一份。损失函数方面细胞分割常用 Dice Loss 加 BCE Loss 的组合。utils/dice_score.py里应该实现了 Dice 系数计算训练时可能直接调用。Dice Loss 对类别不平衡不敏感细胞图像里背景通常远多于细胞所以 Dice Loss 比纯交叉熵更合适。如果训练时 loss 降到某个值就不动了可以试试把 BCE 的权重调低或者加一个 Focal Loss。3.3 评估与推理evaluate.py 和 predict.py 怎么用训练完之后evaluate.py用来算验证集上的指标通常是 Dice 系数和 IoU。predict.py用来对单张或一批图像做推理输出分割掩膜。# 评估 python evaluate.py \ --model ./checkpoints/best_model.pth \ --data_dir ./data/cells/val \ --model_type unet # 单图推理 python predict.py \ --model ./checkpoints/best_model.pth \ --input ./data/test/cell_001.png \ --output ./results/cell_001_mask.png \ --model_type unetevaluate.py里一般会加载模型权重遍历验证集计算 Dice 和 IoU。如果 Dice 低于 0.7先别急着调模型检查一下验证集的掩膜阈值和训练集是否一致。我遇到过训练集掩膜是 0/1验证集掩膜是 0/255结果 Dice 只有 0.3改完阈值直接上 0.85。predict.py的输出通常是二值图有些实现会输出概率图需要自己加阈值。如果输出全黑先看模型是否加载成功再看输入图像的归一化是否和训练时一致。3.4 SAHI 切片推理大图细胞分割的关键一步细胞图像往往很大比如 2000x2000 甚至更大直接缩放到 512x512 送进网络小细胞就变成几个像素分割效果很差。slicePredict.py调用 SAHI 做切片推理把大图切成有重叠的小块每块单独预测再拼回原图。# 切片推理具体参数以 slicePredict.py 为准 python slicePredict.py \ --model ./checkpoints/best_model.pth \ --input ./data/large/cells_big.png \ --output ./results/cells_big_mask.png \ --slice_size 512 \ --overlap 0.2 \ --model_type unet_plus_plus--slice_size是每块的大小通常和训练时的输入尺寸一致--overlap是块之间的重叠比例0.2 表示 20% 重叠重叠是为了避免边界处的细胞被切断。sahi/postprocess.py里会做非极大值抑制或加权融合把各块的预测拼起来。如果拼接后出现明显的网格状接缝说明 overlap 太小调到 0.3 或 0.4 试试。如果显存够slice_size 可以调到 1024但要注意训练时用的尺寸推理尺寸和训练尺寸差太多也会掉点。4. 避坑与排查细胞分割训练中最容易翻车的五个地方4.1 现象训练 loss 不降Dice 一直在 0.1 附近原因最常见的是掩膜阈值不对。训练集掩膜如果是 0 和 255但代码里按 0 和 1 处理模型学到的全是背景。另一个原因是图像和掩膜没有对齐比如图像做了归一化但掩膜没有或者数据增强时图像和掩膜用了不同的变换。解决先写个脚本可视化几张训练图像和对应的掩膜确认掩膜里细胞区域是白色背景是黑色。然后检查data_loading.py里的二值化逻辑确保掩膜值被正确映射到 0 和 1。如果用了 albumentations 做增强确认image和mask传的是同一个变换。4.2 现象训练正常推理时输出全黑或全白原因推理时的预处理和训练时不一致。比如训练时图像做了ToTensor和Normalize推理时只做了ToTensor没做Normalize模型看到的输入分布变了。或者模型加载时state_dict的 key 不匹配实际加载的是随机权重。解决把推理脚本里的预处理步骤和训练脚本里的逐行对比确保完全一致。加载模型后打印一下第一层权重的均值如果接近 0 且方差很小说明权重没加载成功。另外检查model.eval()和torch.no_grad()是否加了这两个不加会影响推理结果。4.3 现象SAHI 切片推理后拼接处细胞被切成两半原因切片之间的重叠不够或者后处理融合策略有问题。如果 overlap 设成 0.1而细胞直径比较大边界处的细胞就会被切断。另外如果后处理直接取最大值而不做加权接缝处会出现硬边。解决把 overlap 调到 0.3 到 0.4让相邻块有足够的重叠区域。然后检查sahi/postprocess.py里的融合逻辑常见做法是对重叠区域做加权平均权重从中心到边缘递减。如果代码里没有加权可以自己加一个高斯权重图。4.4 现象显存不够batch size 只能设 1训练太慢原因UNet 参数量比 UNet 大加上高分辨率输入显存很容易爆。另外如果数据加载时没有用pin_memory和num_workersGPU 利用率也会很低。解决先用 UNet 跑UNet 作为对比实验。如果必须用 UNet可以减小输入尺寸比如从 512 降到 256但要注意小细胞可能丢失。另外把batch_size设小用梯度累积模拟大 batch。数据加载方面num_workers设成 4 或 8pin_memoryTrue能明显提升 GPU 利用率。4.5 现象Dice 系数在验证集上很高但测试集上很差原因过拟合。细胞图像数据集通常不大如果验证集和训练集来自同一批数据分布相似验证集 Dice 会虚高。另外如果数据增强太弱模型学到的是训练集的特定模式换一批染色条件不同的图像就崩了。解决把数据增强加强加随机旋转、翻转、弹性变形、颜色抖动。如果条件允许用不同来源的细胞图像做交叉验证。另外早停法比固定 epoch 更靠谱监控验证集 Dice连续几个 epoch 不提升就停。5. 进阶技巧用 UNet 深监督和 Dice 阈值搜索把边界抠准5.1 深监督怎么用为什么对细胞边界有效UNet 的一个核心特性是深监督也就是在嵌套解码器的每一层都输出一个预测然后和真值算 loss最后把各层 loss 加权求和。这样做的好处是浅层解码器直接收到梯度能更好地学习边缘细节。细胞分割最怕的就是边界糊成一团深监督能让浅层特征也参与到边界恢复中。在unet_model.py里UNet 类通常会返回一个列表包含各层的输出。训练时train.py里会遍历这个列表对每个输出算 loss。如果你发现边界不够准可以调高浅层 loss 的权重。常见做法是各层权重相等或者从深到浅递减。我一般会先跑默认权重如果边界 Dice 低再把浅层权重调高 0.2 左右试试。# 深监督 loss 的常见写法具体以包内 train.py 为准 outputs model(inputs) # UNet 返回多尺度输出列表 loss 0 weights [1.0, 0.8, 0.6, 0.4] # 从深到浅按实际层数调整 for output, weight in zip(outputs, weights): loss weight * criterion(output, masks) loss loss / sum(weights)这段代码的关键是weights列表的长度要和outputs一致。如果 UNet 有 4 层输出weights就得有 4 个值。权重怎么设没有绝对标准我的习惯是深层权重高一点因为深层语义更准但浅层也不能太低否则边界恢复不够。5.2 Dice 阈值搜索别再用 0.5 一刀切推理时模型输出的是概率图通常用 0.5 作为阈值二值化。但细胞分割里0.5 不一定最优。如果细胞边界模糊0.5 可能把边界像素判成背景导致细胞缩小如果阈值太低又会把噪声判成细胞。我一般会在验证集上做阈值搜索从 0.3 到 0.7每隔 0.05 试一次看哪个阈值 Dice 最高。# 阈值搜索示例 best_dice 0 best_threshold 0.5 for threshold in np.arange(0.3, 0.75, 0.05): dice_scores [] for img, mask in val_loader: pred model(img) pred_binary (pred threshold).float() dice dice_coeff(pred_binary, mask) dice_scores.append(dice.item()) avg_dice np.mean(dice_scores) if avg_dice best_dice: best_dice avg_dice best_threshold threshold print(fBest threshold: {best_threshold}, Best Dice: {best_dice})这个搜索过程不复杂但很实用。我见过不少项目直接用 0.5Dice 卡在 0.8 上不去搜完阈值能到 0.85 甚至 0.88。注意阈值搜索要在验证集上做不能在测试集上做否则就是作弊。搜完之后把最优阈值固定到推理脚本里。5.3 后处理去掉小连通域和填洞细胞分割的输出往往有一些小噪点或者细胞内部有空洞。sahi/postprocess.py或utils/utils.py里可能有后处理函数如果没有可以自己加。常见做法是用连通域分析去掉面积小于某个阈值的区域再用形态学闭运算填洞。import cv2 import numpy as np def postprocess_mask(mask, min_area50): # mask 是二值图0 和 1 mask mask.astype(np.uint8) num_labels, labels, stats, _ cv2.connectedComponentsWithStats(mask, connectivity8) cleaned np.zeros_like(mask) for i in range(1, num_labels): if stats[i, cv2.CC_STAT_AREA] min_area: cleaned[labels i] 1 # 填洞 kernel np.ones((3, 3), np.uint8) cleaned cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel, iterations2) return cleanedmin_area是最小连通域面积根据细胞大小调整。如果细胞直径大约 20 像素面积约 300min_area可以设 100 到 150。填洞的闭运算核大小也要看细胞间隙核太大会把相邻细胞粘在一起。我一般会先可视化几张后处理前后的图确认没有把真细胞滤掉也没有把背景噪点留下。5.4 一个我踩过的坑验证集 Dice 高但实际计数不准有一次我跑完 UNet验证集 Dice 0.89看着挺美结果拿去做细胞计数数量比人工标注多了 30%。排查后发现模型把一些染色较深的背景区域也判成了细胞这些区域面积小Dice 对面积不敏感所以指标没掉但计数全乱了。后来我在后处理里加了面积过滤和圆形度过滤计数才准。从那以后我每次做完分割都会强制走一遍计数验证随机抽几张图把模型预测的细胞数量和人工标注的数量对比误差超过 10% 就回去查后处理。Dice 高不代表下游任务准这是血泪教训。希望帮到你。本文还有配套的精品资源点击获取