--- a
+++ b/semseg/semseg.py
@@ -0,0 +1,132 @@
+import time
+import glob
+import os
+import cv2
+import numpy as np
+import torch
+from torchvision.transforms import ToTensor, Normalize, Compose
+from torch.autograd import Variable
+
+from models import UNet16
+
+#小腸カプセル内視鏡画像(png)に対して学習済み(重み：ptファイル)セマンティックセグメンテーションモデルへ入力する
+#   ※predict_main()を実行するとできる
+
+def cuda(x):
+    '''
+    GPUが使用可能なら入力画像データをGPUにのせる
+    '''
+    #Python3.7以降予約語にasyncが指定されたため以下であると"SyntaxError: invalid syntax"、代わりにnon_blocking
+    #return x.cuda(async=True) if torch.cuda.is_available() else x
+    return x.cuda(non_blocking=True) if torch.cuda.is_available() else x
+
+def variable(x, volatile=False):
+    '''
+    PyTorchで使用可能な型に変換する
+    '''
+    #xの型がlistまたはtupleに等しいときTrue
+    if isinstance(x, (list, tuple)):
+        return [variable(y, volatile=volatile) for y in x]
+    #以下一行UserWarning: volatile was removed and now has no effect. Use `with torch.no_grad():` instead.
+    #return cuda(Variable(x, volatile=volatile))
+    with torch.no_grad():
+        return cuda(Variable(x))
+
+def get_model(model_path, model_type):
+    '''
+    学習済みのUNet16の重みを読み込み、UNet16の重みに入れる
+    :param model_path:
+    :param model_type: 'UNet16'
+    :return:
+    '''
+    model = UNet16(num_classes=1)
+    state = torch.load(str(model_path))
+    state = {key.replace('module.', ''): value for key, value in state['model'].items()}
+    model.load_state_dict(state)
+    model.eval()
+    if torch.cuda.is_available():
+        return model.cuda()
+    return model
+
+def mask_overlay(image, mask, color=(0, 255, 0)):
+    '''
+    出力の二値画像(白が病変、黒が正常)と入力のCE画像を重ね合わせる
+    '''
+    mask = np.dstack((mask, mask, mask)) * np.array(color)
+    mask = mask.astype(np.uint8)
+    weighted_sum = cv2.addWeighted(mask, 0.5, image, 0.5, 0.)
+    img = image.copy()
+    ind = mask[:, :, 1] > 0
+    img[ind] = weighted_sum[ind]    
+    return img
+
+def predict_main(in_path='./input_image', out_path='./result', model_path='weight/model_1_20epoch_8.pt', stat_area=300, r_display=0, g_display=255, b_display=0, source_save=True):
+    '''
+    学習済みモデルによる推論の実行
+    
+    in_path:入力画像フォルダ(FCNであるため入力サイズは可変、本研究では512×512px)
+    out_path:出力画像保存フォルダ
+    model_path:学習済みモデルの保存されているフォルダ
+    stat_area:出力において、病変と予測された領域の面積がstat_area未満の場合削除される
+    r_display, g_display, b_display:セグメンテーション領域を何色にするか
+    source_save:True  ⇒  元画像を保存
+    '''
+    file_names_ = [
+                    in_path
+                    ]
+    save_file_names = [
+                    out_path
+                    ]
+    img_transform = Compose([
+        ToTensor(),
+        Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
+    ])
+
+    model = get_model(f'{model_path}', model_type='UNet16')#モデルの読み込み
+    model_name_only = os.path.splitext(os.path.basename(model_path))[0]
+    for j, file_names in enumerate(file_names_):#フォルダ数(1回)ループ
+        read_file_name = glob.glob(f'{file_names}/*.png')
+        read_file_name_only = [os.path.splitext(os.path.basename(p))[0] for p in read_file_name]
+        os.makedirs(f'{save_file_names[j]}/{model_name_only}', exist_ok=True)
+        if source_save:
+            os.makedirs(f'{save_file_names[j]}/{model_name_only}/source', exist_ok=True)
+        print(file_names)
+        start_ = time.time()
+        for i in range(len(read_file_name)):#画像枚数分ループ
+            img = cv2.imread(str(read_file_name[i]))#入力画像の読み込み
+            img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
+            input_img = torch.unsqueeze(variable(img_transform(img), volatile=True), dim=0)
+            mask = model(input_img)#推論の実行(maskは二値画像で白⇒病変、黒⇒それ以外)
+            mask_array = mask.data[0].cpu().numpy()[0]
+            mask_array = np.where(mask_array > 0, np.uint8(255), np.uint8(0))
+            retval, labels, stats, _ = cv2.connectedComponentsWithStats(mask_array)#推論後の領域毎の情報を取得
+            if mask_array.sum() >= stat_area:
+                count_small_blob_num = 0 #stat_area[px]以下の領域の数
+                for i2, row in enumerate(stats):
+                    #print(f"label {i}")
+                    #print(f"* topleft: ({row[cv2.CC_STAT_LEFT]}, {row[cv2.CC_STAT_TOP]})")
+                    #print(f"* size: ({row[cv2.CC_STAT_WIDTH]}, {row[cv2.CC_STAT_HEIGHT]})")
+                    #print(f"* area: {row[cv2.CC_STAT_AREA]}")
+                    if (row[cv2.CC_STAT_AREA]<stat_area) & (i2!=0):#領域ごとで面積がstat_area[px]未満の場合に黒くする
+                        count_small_blob_num += 1
+                        mask_array = np.where(labels[:] == i2, 0, mask_array)
+                count_blob_num = (retval - 1) - count_small_blob_num #領域の個数
+                if count_blob_num>0:#領域の個数が1個以上で画像を保存する
+                    if source_save:
+                        cv2.imwrite(f'{save_file_names[j]}/{model_name_only}/source/{read_file_name_only[i]}.png', cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
+                    g_display = 1 if g_display==0 else g_display #g_displayの値が0だとなぜか色が表示されないので0なら1にする
+                    saveimg = mask_overlay(img, (mask_array > 0).astype(np.uint8), color=(r_display, g_display, b_display))
+                    cv2.imwrite(f'{save_file_names[j]}/{model_name_only}/{read_file_name_only[i]}.png', cv2.cvtColor(saveimg, cv2.COLOR_BGR2RGB))
+        print(time.time() - start_)
+
+if __name__=="__main__":
+    predict_main(in_path='./input_image', out_path='./result', model_path='weight/model_1_20epoch_8.pt', stat_area=300, r_display=0, g_display=255, b_display=0, source_save=True)
+    '''
+    引数
+    in_path:入力画像フォルダ(FCNであるため入力サイズは可変、本研究では512×512px)
+    out_path:出力画像保存フォルダ
+    model_path:学習済みモデルの保存されているフォルダ
+    stat_area:出力において、病変と予測された領域の面積がstat_area未満の場合削除される
+    r_display, g_display, b_display:セグメンテーション領域を何色にするか
+    source_save:True  ⇒  元画像を保存
+    '''
\ No newline at end of file