ResNet训练单通道图像分类网络（Pytorch）

前言

 ResNet是一个比较成熟的深度学习分类模型，目前有ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152，同时，该分类模型常用于RGB（三通道）彩色图像的分类任务，如在ImageNet的训练；而在单通道图像（灰度图像）的训练和测试较少。如何使ResNet在单通道图像上训练，如何修改网络模型参数和读取图像，本文将一一进行讲解。

步骤

第一步：构建数据集

• 数据集的结构应该是这样的
  
• 图像的格式：8bit，jpg格式

第二步：修改网络模型

• 法1：直接修改定义的ResNet网络模型
   在model.py中，修改ResNet的第一层卷积层输入通道为1（彩色为3）

self.conv1 = nn.Conv2d(1, self.in_channel, kernel_size=7, stride=2,padding=3, bias=False)

• 法2：在train.py文件中，进行如下修改，也可以达到法1的效果

model = resnet18(num_classes=3)
model.conv1 = nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)
model = model.to(device)

第三步：修改读取数据方式

• 一般我们用torchvision.datasets.ImageFolder()读取数据，但在读取单通道数据时，此函数会自动将单通道图像转换为三通道图像（r=g=b），此时如果不进行其他操作，就会报错

• 这是ImageFolder（）函数的定义：留意读取的图像为PIL图像，且会转换为RGB格式
  
  

• 修改方法：
   修改transform（图像预处理操作）
    添加transforms.Grayscale(1)，将图像转换为单通道图像（经实验，图像矩阵的数据并不会发生变化）
    transforms.Normalize修改如下，第一个参数为mean，第二个参数为std，因为是单通道，所以进行Z-Score时仅需要对一个通道进行操作
  

data_transforms = {
     
    'train': transforms.Compose([
        transforms.Grayscale(1),
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, ], [0.229, ])
    ]),
    'val': transforms.Compose([
        transforms.Grayscale(1),
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, ], [0.229, ])
    ])
}

第四步：训练分类网络并测试（注意测试时transform与‘val’方式一样）

总结

 ResNet训练单通道主要修改两个部分，一个是ResNet模型第一层卷积层的in_channels=1，另一个是transform中添加Grayscale(1)以及修改Normalize。其实很简单，只是有时忽略了ImageFolder会自动将灰度图转换为RGB图，导致出错，希望本文能帮助您！

参考资料：

可以参考这位up主github里面的Test5_resnet，并在此基础上进行上述修改，训练自己的灰度图像！
https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_learning