可以使用自己的数据集，若使用自己的数据集，需要先对label进行voc格式转换，代码位于tools文件夹下voc.py，使用流程为使用train脚本训练网络，使用prediction脚本输出分割结果。图片位于data文件夹下，可以更换为自己的数据集，但需要保持图片为灰度图片，详情见：https://blog.csdn.net/qq_52060635/article/details/134148448?spm=1001.2014.3001.5502 初始任务为医学图像分割，可以用于其他图像处理。 详情见：https://blog.csdn.net/qq_52060635/article/details/134149072?spm=1001.2014.3001.5502 包含滑窗操作，具有层级设计的Swin Transformer滑窗操作包括不重叠的local window，和重叠的cross-window。将注意力计算限制在一个窗口中，一方面能引入CNN卷积操作的局部性，另一方面能节省计算量。

与传统的Transformer相比，Swin Transformer通过采用分层结构和窗口内注意力机制，实现了更高效的计算和更好的适用性于图像识别、目标检测和语义分割等任务 1. 层次化特征表示 Swin Transformer通过构建层次化的特征表示，使模型能够捕获从细粒度到粗粒度的不同层次的视觉信息，这对于处理图像中的多尺度对象至关重要 2. 移动窗口的注意力机制 不同于传统Transformer中的全局自注意力机制，Swin Transformer采用了局部窗口内的自注意力计算。通过这种方式，它显著降低了计算复杂度，并且通过窗口间的移动操作保持了全局上下文的连续性 3.动态调整的窗口 Swin Transformer设计了一种机制来动态调整注意力窗口的大小，这种灵活性允许模型根据不同层次的特征和任务需求调整其感受野，从而更有效地处理图像信息 4. 跨窗口连接 为了解决局部窗口限制内的信息孤岛问题，Swin Transformer引入了跨窗口的连接方式，通过这种方式可以在不增加计算负担的情况下，有效地整合全局信息

Colab配置SwinTransformer环境. Colab系统： Ubuntu 18.04.6 LTS；CUDA 11.2。 预安装cuda10.2；安装apex失败；why:cuda版本不一致；solution：将Colab的cuda降级到10.2。

SwinTransformer算法原理解析

Swin Transformer v2解决了大型视觉模型训练和应用中的三个主要问题，包括训练不稳定性、预训练和微调之间的分辨率差距以及对标记数据的渴望。 链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/127168900

该代码采用多线程技术、swin transformer检测算法对图片或者视频进行人脸识别，并通过pyqt5进行界面设计，使其更加方便。

SwinIR源代码：https://github.com/JingyunLiang/SwinIR 可以进行图像超分，图像去噪等，根据源代码自定义实现的训练和测试代码，并有关键注释。敲代码不易，希望能不吝支持，代码训练存在问题或经济有限可以私聊我。