这是一个基于pytorch的分割框架,由于做语义分割项目，设置了默认使用GPU计算
现存功能:
--tools/cut_data.py: 大尺寸遥感图像数据切片生成，滑窗切片
--test_inference.py: 大尺寸遥感图像滑窗预测，生成大尺寸预测结果
--tools/merge_data.py: 基于切片预测结果还原成大图
--完整的科研训练流程，支持生成各种tensorboard曲线图。包括learning_rate, train_loss, val_loss, val_acc(切片), val_acc(大图), f1
--vis_curve.py: 支持没有tensorboard的情况生成训练曲线
--完整的测试推理过程，支持tta预测，滑窗预测。
--支持netron生成网络模型可视化图。
--支持timm调用优化器，调用学习率迭代策略。
--支持timm调用backbone模型，自由组合分割算法模块和骨架网络模块。
--支持timm离线调用预训练模型。
--支持timm调用进行多波段数据训练。
--支持调用参数yaml文件训练。
--支持shell调用config.py脚本训练， python train.py config.yaml
--支持非常方便的生成训练和预测结果的文件夹，包括保存参数文件，曲线图，验证集预测结果，验证集精度
--支持自定义对标签进行类别id处理
--支持多分类或二分类分割的输出类别转换
--网络模型目前的固定写法是networks内部的写法，方便添加网络模型结构
--数据集的输入按照data文件夹下的写法，使用write_file_list.py编写输入图片和标签图片的对应关系
--支持基于albumentations的数据增强策略
网络结构目前包含了： --unet，resunet，deeplab系列，swinunet，denseaspp等等，代码网络结构很容易扩展，与另一个仓库timm_seg进行对接。
训练步骤：
--修改config.yaml文件的root_path，这个是项目的总路径，保存文件的路径
--执行./data/write_file_list.py,生成数据路径
--python train.py训练
--python test_dataloader.py测试并计算测试精度指标