集成MobileUnet和EfficientUnet两种轻量级网络的完整医学图像分割项目、包含训练、验证和推理

这个代码实现了一个高效的医学图像分割系统，主要亮点如下： 1. **模块化设计**：代码结构清晰，分为数据集处理(dataset.py)、训练(train.py)、预测(predict.py)和工具函数(utils.py)四个模块，各司其职，便于维护和扩展。 2. **灵活的数据处理**： - 支持多类别分割，自动计算标签类别(grayList.txt) - 提供CT图像窗宽窗位调整功能(window_CT) - 内置数据增强(随机水平/垂直翻转) - 统一图像尺寸处理(INTER_CUBIC插值) 3. **全面的模型支持**： - 集成MobileUnet和EfficientUnet两种轻量级网络 - 自动计算模型参数量和FLOPs - 支持多GPU训练(通过device自动检测) 4. **完善的训练监控**： - 实现余弦退火学习率调度(LambdaLR) - 实时记录训练指标(loss, IoU, Dice等) - 可视化训练过程(损失曲线、指标变化) - 自动保存最佳模型和最后模型 5. **详细的评估体系**： - 混淆矩阵计算多种指标(准确率、召回率、F1等) - 独立验证集评估 - 预测结果可视化(原图+掩码叠加) 6. **工程优化**： - 自动线程数调整(根据CPU核心数和batch大小) - 内存高效的数据加载(DataLoader) - 完整的日志系统(JSON格式保存) 代码特别适合医学图像分割任务，通过良好的设计和丰富的功能，在保持高效的同时提供了专业级的图像分割解决方案。