文末含资料链接和视频讲解！从零开始，手把手教你训练自己的yolov5模型（包含pyqt5界面）

该代码实现了一个基于PyQt5的图像分割系统，结合了深度学习模型（CBAM-UNet）进行医学或自然图像的语义分割任务。系统分为训练和推理两部分，支持多类别分割，并提供了可视化界面展示原始图像、分割结果及掩膜叠加效果。 ### 核心功能 1. **模型架构**：采用CBAM-UNet，在UNet基础上引入通道和空间注意力机制（CBAM），提升分割精度。模型支持动态类别数，通过灰度值文件（grayList.txt）自动适配数据集类别。 2. **训练流程**： - 数据加载：自定义`MyDataset`类处理图像和掩膜，支持数据增强（翻转）和CT图像的窗宽调整。 - 损失函数：联合Dice Loss和交叉熵损失（`JointLoss`），平衡类别不平衡问题。 - 评估指标：通过混淆矩阵计算mIoU、Dice系数等，记录训练日志并可视化曲线（损失、学习率等）。 3. **推理界面**： - 用户上传图像后，系统调用`inference`函数生成分割结果，支持多类别颜色映射。 - 结果展示：原始图像、网络预测（彩色掩膜）、半透明叠加效果三视图。 ### 技术亮点 - **模块化设计**：训练（`train.py`）、模型（`unet.py`）、工具函数（`utils.py`）分离，便于维护。 - **动态类别适应**：通过分析掩膜灰度值自动确定输出通道数，无需手动配置。 - **CT图像优化**：窗宽调整（`ct=True`）增强对比度，适合医学影像。 - **高效推理**：模型加载与图像预处理（归一化、尺寸调整）集成，确保实时性。 ### 应用场景 适用于医学影像分割（如器官、病变区域）或自然场景中的多目标分割，提供直观的GUI界面简化操作流程。