DFUC2022.
IJCNN2024.
本文代码基于mmsegmentation（https://github.com/open-mmlab/mmsegmentation）实现。
1.根据官方文档使用mmsegmentation并配置环境conda环境。
2.修改DFUC2022数据集的mask标签，使其值仅为0(背景)或1(溃疡).
3.将本项目给定的DFUC2022数据集配置文件dfuc.py放在mmseg/datasets/文件中，并在mmseg/datasets/init.py中添加相关信息：
from .dfuc import DFUCDataset
all = [……此处添加,'DFUCDataset']
4.训练各个模型
5.测试模型效果。
若要该模型参与集成，则需要在集成前保存各个候选模型的测试数据，方法如下： 在miniconda3/envs/该项目的conda环境名/lib/python3.8/site-packages/mmengine/runner/loops.py文件中修改run()函数信息（主要是加上保存模型预测的图片结果权重到文件out_save_path中的代码）
# 修改这里
def run(self) -> dict:
"""Launch test."""
self.runner.call_hook('before_test')
self.runner.call_hook('before_test_epoch')
self.runner.model.eval()
# 保存模型预测的图片结果权重到文件out_save_path中
out_save_path = self._runner._test_evaluator["output_dir"]+'_predict.pt' # 'work_dirs/mask2former_swin-l-in22k-384x384-pre_8xb2-160k_dfuc-512x512_nq100/mask2former_swin-l_nq100_112k_predict.pt' #####################################################################
tensor_dict = {}
for idx, data_batch in enumerate(self.dataloader):
outputs = self.run_iter(idx, data_batch)
# import pdb; pdb.set_trace()
img_name = outputs[0].img_path.split('/')[-1].split('.')[0]
tensor_dict[img_name] = outputs[0].seg_logits.data
# 保存模型参数到文件
# torch.save(tensor_dict, out_save_path) #####################################################################
# compute metrics
metrics = self.evaluator.evaluate(len(self.dataloader.dataset))
self.runner.call_hook('after_test_epoch', metrics=metrics)
self.runner.call_hook('after_test')
return metrics
6.模型集成 使用tools文件夹中的model_ensemble_wAverage.py进行加权平均集成，使用model_ensemble_HB.py进行互补集成（需先自行计算权重）。 运行代码在model_ensemble_wAverage.py和model_ensemble_HB.py结尾声明。