U-net网络是一个典型的端到端的网络结构。如下图所示：
基本的网络结构并不复杂，但是代码实现过程中需要进行调试，但这会花费很大的时间。本文旨在为初学者介绍代码的快速使用方法，直接将U-net网络作为黑盒使用。如果您觉得对您有用，请点个赞
，欢迎交流。
一：从github上下载改进的U-net源码：点击打开传送门
显示如下：
二：点击Clone or download，下载程序
三：解压缩并打开项目文件：
四：运行“data.py”文件：
会在data文件夹下的aug_label,aug_train,aug_merge,mergre,npydata文件夹中生成数据增强后的图像，如下图：
augimgs_mask_train.npy：所有增强后的"ground truth"数据，数据增强源是'data/train/label'路径下的图片
augimgs_train.npy : 所有增强后的"原图"数据，数据增强源是'data/train/image'路径下的图片
imgs_test.npy：'test'文件夹中的数据
五：运行“unet.py”文件:
开始进行训练，训练过程可能会花费一些时间，在这个文件的代码中，我指定了运算的位置为GPU，若没有GPU加速可以选择注释，运算会自动指定在CPU上，无需担心。CPU训练一轮模型大概需要2~3个小时。
六：在当前目录下会生成'unet.hdf5','test_predict.py','imgs_mask_test.npy'三个文件，如下图：
unet.hdf5：模型训练保存得到的最优参数
test_predict.py：模型结果可视化
imgs_mask_test.npy：对test文件夹下的测试图像进行预测得到的结果
七：运行'test_predict.py',将模型预测得到的结果进行可视化。
其实就是对模型得到的预测数据'imgs_mask_test'在figure中展示，可视化结果。
八：运行'data_vision.py',可以将测试集及其结果保存成指定的图片格式，并且保存到指定的路径下。可以根据自己情况选择
运行结果展示：
"Note":
由于Ubuntu系统与Windows系统内部存储的结构的细微差异，程序在windows系统上运行时会出错，需要进行调试。故程序最好运行在Ubuntu系统上。
如有疑问，请联系：[email protected]