参考博文：

• SwinUnet官方代码训练自己数据集（单通道灰度图像的分割）-CSDN博客
• 使用SwinUnet训练自己的数据集-CSDN博客
• SwinUnet代码运行教程（总结了多个训练和测试的问题）-CSDN博客

环境搭建

• 下载官方代码： 访问 GitHub - HuCaoFighting/Swin-Unet 下载官方代码。
• 创建虚拟环境 使用 Python 3.8 环境来运行：

conda create -n swinunet python=3.8
conda activate swinunet

• 安装依赖包 在安装了虚拟环境后，使用 pip 安装 requirements.txt 中的依赖包：

pip install -r requirements.txt

如果运行时提示缺少某些包，可以根据提示安装缺少的依赖。

下载预训练模型和数据集

1. 下载预训练模型 访问 https://drive.google.com/drive/folders/1UC3XOoezeum0uck4KBVGa8osahs6rKUY 下载 swin_tiny_patch4_window7_224.pth 预训练模型，并将其放入 pretrained_ckpt 文件夹。
2. 下载官方数据集 访问 https://drive.google.com/drive/folders/1ACJEoTp-uqfFJ73qS3eUObQh52nGuzCd 下载官方数据集 project_TransUNet.zip，并将解压后的 data 文件夹放到根目录。
3. 生成val.txt文件 将 lists 文件夹中的 list_Synapse 重命名为 Synapse，然后在 Synapse 文件夹内创建 val.txt 文件，内容如下：

case0001
case0002
case0003
case0004
case0008
case0022
case0025
case0029
case0032
case0035
case0036
case0038

修改部分代码

• 修改 train.py 我们需要对官方提供的 train.py 文件做一些调整，主要是修改一些默认参数。以下是调整后的代码示例：

import argparse
import os
import random
import numpy as np
import torch
import torch.backends.cudnn as cudnn
from networks.vision_transformer import SwinUnet as ViT_seg
from trainer import trainer_synapse
from config import get_config

parser = argparse.ArgumentParser()
parser.add_argument('--root_path', type=str, default='./data/Synapse', help='root dir for data')
parser.add_argument('--dataset', type=str, default='Synapse', help='experiment_name')
parser.add_argument('--list_dir', type=str, default='./lists/lists_Synapse', help='list dir')
parser.add_argument('--num_classes', type=int, default=9, help='output channel of network')
parser.add_argument('--output_dir', type=str, default='./output', help='output dir')
parser.add_argument('--max_iterations', type=int, default=30000, help='maximum epoch number to train')
parser.add_argument('--max_epochs', type=int, default=150, help='maximum epoch number to train')
parser.add_argument('--batch_size', type=int, default=24, help='batch_size per gpu')
parser.add_argument('--n_gpu', type=int, default=1, help='total gpu')
parser.add_argument('--deterministic', type=int, default=1, help='whether use deterministic training')
parser.add_argument('--base_lr', type=float, default=0.01, help='segmentation network learning rate')
parser.add_argument('--img_size', type=int, default=224, help='input patch size of network input')
parser.add_argument('--seed', type=int, default=1234, help='random seed')
parser.add_argument('--cfg', type=str, default='./configs/swin_tiny_patch4_window7_224_lite.yaml', metavar="FILE", help='path to config file', )
parser.add_argument("--opts", default=None, nargs='+', help="Modify config options by adding 'KEY VALUE' pairs. ",)
parser.add_argument('--zip', action='store_true', help='use zipped dataset instead of folder dataset')
parser.add_argument('--cache-mode', type=str, default='part', choices=['no', 'full', 'part'],
                    help='no: no cache, '
                         'full: cache all data, '
                         'part: sharding the dataset into nonoverlapping pieces and only cache one piece')
parser.add_argument('--resume', help='resume from checkpoint')
parser.add_argument('--accumulation-steps', type=int, help="gradient accumulation steps")
parser.add_argument('--use-checkpoint', action='store_true', help="whether to use gradient checkpointing to save memory")
parser.add_argument('--amp-opt-level', type=str, default='O1', choices=['O0', 'O1', 'O2'], help='mixed precision opt level, if O0, no amp is used')
parser.add_argument('--tag', help='tag of experiment')
parser.add_argument('--eval', action='store_true', help='Perform evaluation only')
parser.add_argument('--throughput', action='store_true', help='Test throughput only')
# parser.add_argument("--dataset_name", default="datasets")
parser.add_argument("--n_class", default=4, type=int)
parser.add_argument("--num_workers", default=0, type=int)
parser.add_argument("--eval_interval", default=1, type=int)

args = parser.parse_args()
if args.dataset == "Synapse":
    args.root_path = os.path.join(args.root_path, "train_npz")
config = get_config(args)

if __name__ == "__main__":
    if not args.deterministic:
        cudnn.benchmark = True
        cudnn.deterministic = False
    else:
        cudnn.benchmark = False
        cudnn.deterministic = True

    random.seed(args.seed)
    np.random.seed(args.seed)
    torch.manual_seed(args.seed)
    torch.cuda.manual_seed(args.seed)

    dataset_name = args.dataset
    dataset_config = {
        args.dataset: {
            'root_path': args.root_path,
            'list_dir': f'./lists/{args.dataset}',
            'num_classes': args.n_class,
        },
    }

    if args.batch_size != 24 and args.batch_size % 6 == 0:
        args.base_lr *= args.batch_size / 24
    args.num_classes = dataset_config[dataset_name]['num_classes']
    args.root_path = dataset_config[dataset_name]['root_path']
    args.list_dir = dataset_config[dataset_name]['list_dir']

    if not os.path.exists(args.output_dir):
        os.makedirs(args.output_dir)
    net = ViT_seg(config, img_size=args.img_size, num_classes=args.num_classes).cuda()
    net.load_from(config)

    # trainer = {'Synapse': trainer_synapse}
    trainer_synapse(args, net, args.output_dir)

# python train.py --output_dir ./model_out/datasets --dataset datasets --img_size 224 --batch_size 32 --cfg configs/swin_tiny_patch4_window7_224_lite.yaml --root_path /media/aicvi/11111bdb-a0c7-4342-9791-36af7eb70fc0/NNUNET_OUTPUT/nnunet_preprocessed/Dataset001_mm/nnUNetPlans_2d_split

• 修改 trainer.py 只需修改 num_workers=0 即可，避免在小数据集或单机训练时因多线程问题导致的错误。

运行代码

在配置好环境后，可以运行以下命令启动训练。根据你的 GPU 配置调整 --batch_size 的大小：

(swinunet) > python train.py --max_epochs 20 --base_lr 0.05 --batch_size 12

启动后，程序会显示类似以下的信息：

=> merge config from ./configs/swin_tiny_patch4_window7_224_lite.yaml
SwinTransformerSys expand initial----depths:[2, 2, 2, 2];depths_decoder:[1, 2, 2, 2];drop_path_rate:0.2;num_classes:4

---
final upsample expand_first---
pretrained_path:./pretrained_ckpt/swin_tiny_patch4_window7_224.pth
---

Namespace(accumulation_steps=None, amp_opt_level='O1', base_lr=0.05, batch_size=8, cache_mode='part', cfg='./configs/swin_tiny_patch4_window7_224_lite.yaml', dataset='Synapse', deterministic=1, eval=False, eval_interval=1, img_size=224, list_dir='./lists/Synapse', max_epochs=20, max_iterations=30000, n_class=4, n_gpu=1, num_classes=4, num_workers=0, opts=None, output_dir='./output', resume=None, root_path='./data/Synapse\\train_npz', seed=1234, tag=None, throughput=False, use_checkpoint=False, zip=False)
The length of train set is: 2211
277 iterations per epoch. 5540 max iterations
0%|                              | 0/20 [00:00<?, ?it/s]
Train: 0:   7%|█████▋                                 | 19/277 [00:08<01:31,  2.80it/s]

训练完成后，模型将保存在 output 目录下，生成 best_model.pth 和 last_model.pth 文件。