训练集保存在./train中，其中 (1)./train/images存放训练图像 (2)./train/labels存放人工标记

测试集保存在./test中，其中 (1)./test/images存放测试图像 (2)./test/labels存放人工标记

weight.h5是一个预训练的网络权重，精度有限，仅用于测试

model.py中使用tensorflow.keras定义了一个神经网络model.unet(n_class, l1_skip_conn=True)

训练模型调用train( model, image_folder, label_folder, n_class, batch_size=4, epochs=4, weights_path = None)方法 其中: model: 传入的模型，可以使用定义好的model.unet(n_class) image_folder: 表示训练集图片文件夹，即./train/images label_folder: 表示训练集人工标记文件夹，即./train/labels n_class: 表示类别数量。例如，类别表示为[100,200,300]时n_class为3 weights_path： 读取权重路径，默认为空不导入

调用示例： u_model = model.unet(8) image_folder = "./train/images/" label_folder = "./train/labels/" n_class = 8 weights_path = "./weights.h5" train(u_model, image_folder, label_folder, n_class, weights_path)

(1)对单张图片进行预测单张图片调用predict(image_file, name, model, output_path, n_class, weights_path=None)方法， 其中: image_file: 预测图片路径 name: 保存图片名称 model: 传入模型，可以使用定义好的model.unet(n_class) output_path: 预测图片保存文件夹，即./test/labels n_class： 类别数量 weights_path： 读取权重路径，默认为空不导入

调用示例： image_file = "./test/images/1.tif" name = "predict" u_model = model.unet(8) output_path = "./test/labels/" n_class = 8 weights_path = "./weights.h5" predict(image_file, name, u_model, output_path, n_class, weights_path)

(2)对文件夹中的所有图片进行预测调用predict_all(input_path, output_path, model, n_class, weights_path)方法， 其中:
input_path: 预测图片所在的文件夹，即./test/images output_path： 预测图片保存文件夹，即./test/labels model: 传入模型，可以使用定义好的model.unet(n_class) n_class： 类别数量 weights_path： 读取权重路径，默认为空不导入

调用示例： input_path = "./test/images/" u_model = model.unet(8) output_path = "./test/labels/" n_class = 8 weights_path = "./weights.h5" predict_all(input_path, output_path, u_model, n_class, weights_path)