代码来自：https://github.com/ChuHan89/WSSS-Tissue?tab=readme-ov-file

借助了一些人工智能

run_pipeline.sh

功能总结

该脚本用于执行一个 弱监督语义分割（WSSS） 的完整流程，包含三个阶段：

1. Stage1：训练一个基于 ResNet38 的多标签分类模型，生成图像级标签。

2. 生成伪掩码（PM）：利用 Stage1 的模型生成 3 种级别的伪分割掩码。

3. Stage2：使用伪掩码训练 DeepLab v3+ 分割模型，完成像素级分割任务。

代码解释

1. 设置数据集变量

DATASET=luad
DATASETNAME=LUAD-HistoSeg

作用：定义数据集变量。DATASET 是数据集的缩写（用于代码内部标识），DATASETNAME 是数据集文件夹的实际名称。

用户需修改：替换这两个变量以切换不同数据集（例如 bcss 和 BCSS-WSSS）。

2. Stage1: 训练分类模型

python 1_train_stage1.py \--dataset $DATASET \--trainroot datasets/$DATASETNAME/train/ \--testroot datasets/$DATASETNAME/test/ \--max_epoches 20 \>> logs/stage1_log_on_$DATASET.txt

• 参数解析：

  • --dataset：指定数据集标识符（与代码内部逻辑匹配）。

  • --trainroot/--testroot：训练集和测试集的路径。

  • --max_epoches：最大训练轮数（20轮）。

• 输出：模型权重保存为 checkpoints/stage1_checkpoint_trained_on_$DATASET.pth，日志重定向到 logs/stage1_log_on_$DATASET.txt。

3. 生成伪掩码（PM）

python 2_generate_PM.py \--dataroot datasets/$DATASETNAME \--dataset $DATASET \--weights checkpoints/stage1_checkpoint_trained_on_$DATASET.pth \>> logs/stagePM_log_on_$DATASET.txt

• 参数解析：

  • --dataroot：数据集根目录（包含训练和测试数据）。

  • --weights：Stage1 训练好的分类模型权重路径。

• 作用：利用分类模型生成 3 种级别的伪分割掩码（如 CAM、边界增强掩码等）。

• 输出：伪掩码保存在数据集目录中，日志写入 logs/stagePM_log_on_$DATASET.txt。

4. Stage2: 训练分割模型

python 3_train_stage2.py \--dataset $DATASET \--dataroot datasets/$DATASETNAME \--epochs 30 \--Is_GM False \--resume_stage1 checkpoints/stage1_checkpoint_trained_on_$DATASET.pth \--resume init_weights/deeplab-resnet.pth.tar \>> logs/stage2_log_on_$DATASET.txt

• 参数解析：

  • --epochs：训练轮数（30轮）。

  • --Is_GM：是否使用全局模型（此处为 False）。

  • --resume_stage1：加载 Stage1 的模型权重（用于初始化部分参数）。

  • --resume：DeepLab v3+ 的预训练权重路径（ImageNet 预训练）。

• 作用：使用伪掩码训练 DeepLab v3+ 分割模型，实现像素级预测。

• 输出：分割模型权重保存，日志写入 logs/stage2_log_on_$DATASET.txt。

---

潜在注意事项

1. 路径依赖：需确保 datasets/、checkpoints/、logs/ 和 init_weights/ 目录存在且结构正确。

2. 预训练权重：deeplab-resnet.pth.tar 需事先下载并放入 init_weights/。

3. GPU 支持：代码默认可能使用 GPU，如需 CPU 训练需查看 Python 代码内部是否支持。

4. 日志监控：可通过 tail -f logs/stage1_log_on_$DATASET.txt 实时监控训练进度。

流程图

graph TDA[Stage1: 训练分类模型] --> B[生成伪掩码 PM]B --> C[Stage2: 训练分割模型]