本项目为《计算机视觉》课程结课作业，主要实现了在 DRIVE 数据集上的血管分割任务，包含数据预处理、模型训练、预测与评估等完整流程。

• model：UNet 模型相关代码，包括训练、预测、评估等脚本。
• result：实验相关代码与可视化结果。
• tools：一些预处理方法。

本项目使用 DRIVE 数据集，目录结构如下：

• DRIVE-SEG-DATA/Training_Images/：训练图片
• DRIVE-SEG-DATA/Training_Labels/：训练标签
• DRIVE-SEG-DATA/Test_Images/：测试图片
• DRIVE-SEG-DATA/Test_Labels/：测试标签

建议使用 Python 3.8 及以上版本，主要依赖如下：

• torch
• torchvision
• numpy
• opencv-python
• matplotlib
• tqdm
• wandb

可通过如下命令安装依赖：

pip install -r UNet/requirements.txt

可使用 utils/文件夹下面的预处理方式将 tif 格式图片转换为 png。

运行：

python step1_train.py

训练完成后，模型权重会保存在 UNet/checkpoints/ 或根目录下。

在 UNet/ 目录下运行：

python step2_predict.py

预测结果会保存在 results/。

感谢《计算机视觉》课程的指导与 DRIVE 数据集的开放。

如有问题欢迎 issue 或联系作者。