基于MindSpore的恶性皮肤肿瘤识别

开源课程链接

本模型是梅科尔工作室联合MindSpore打造，现已经上架MindSpore官方B站账号上，感兴趣的开发者可以观看课程进一步了解：

基于MindSpore的恶性皮肤肿瘤分析系统

1.系统架构及神经网络讲解：https://www.bilibili.com/video/BV1NKx1eoEkS/?spm_id_from=333.999.0.0&vd_source=826aaf350a5f37bed935bd8881001e18

2.系统实现流程:https://www.bilibili.com/video/BV1quxUeHELm?spm_id_from=333.788.player.switch&vd_source=826aaf350a5f37bed935bd8881001e18

数据集格式

本项目数据集为在ISIC2017开源数据集的基础上进行数据增强、结构调整得到，具体数据格式如下：

dataset_dir # 数据集根目录，目录名称可以改变

├── train # 训练图像的保存目录，目录名称可以改变，包含用于训练的各个皮肤肿瘤的图像类别

├─────class1

├─────class2

├─────class3

├─────class4

├── val # 验证图像的保存目录，目录名称可以改变，包含用于验证的各个皮肤肿瘤的图像类别

├─────class1

├─────class2

├─────class3

├─────class4

数据预处理

-使用MindSpore框架的mindspore.dataset模块来加载和预处理图像数据集。

-数据增强操作（如随机裁剪、随机水平翻转等）应用于训练集以提高模型泛化能力，验证集进行简单的解码、调整大小和归一化操作。

-打印出训练集和验证集的批次数（即数据集大小除以批量大小），并展示验证集中第一个批次图像的张量形状和标签。

整体代码实现流程及配置方式

基于MindSpore的恶性皮肤肿瘤ResNet识别算法，包含从数据读取、预处理到网络结构搭建的详细代码实现流程，从数据读取、预处理、部分可视化所需要使用的主要函数，到网络结构的搭建，模型训练和评估过程包括损失函数和优化器的定义，以及如何使用MindSpore的高级API Model进行训练和保存模型文件；

算法推理撰写和可视化应用搭建

结合Gradio的图像上的操作使用，使用先前完成的恶性皮肤肿瘤分类推理算法模型完成模型推理代码实现，创建可交互的Web应用的流程，在可视化界面判断使用功能。