MMSegmentation文档学习记录（一）

from mmengine.config import Config

cfg = Config.fromfile('configs/pspnet/pspnet\_r50-d8\_4xb2-40k\_cityscapes-512x1024.py')
print(cfg.train_dataloader)

（二）使用预训练模型推理

1. 推理器MMSegInferencer

from mmseg.apis import MMSegInferencer
# 将模型加载到内存中
inferencer = MMSegInferencer(model='deeplabv3plus\_r18-d8\_4xb2-80k\_cityscapes-512x1024')
# 推理
inferencer('demo/demo.png', show=True)

使用 MMSegInferencer 来处理一个包含多张图片的 list：

images = [image1, image2, ...] # image1 可以是文件路径或 np.ndarray
inferencer(images, show=True, wait_time=0.5) # wait\_time 是延迟时间，0 表示无限

images = $IMAGESDIR
inferencer(images, show=True, wait_time=0.5)

inferencer(images, out_dir='outputs', img_out_dir='vis', pred_out_dir='pred')

2. 推理 API

mmseg.apis.init_model从配置文件初始化一个分割器。

from mmseg.apis import init_model

config_path = 'configs/pspnet/pspnet\_r50-d8\_4xb2-40k\_cityscapes-512x1024.py'
checkpoint_path = 'checkpoints/pspnet\_r50-d8\_512x1024\_40k\_cityscapes\_20200605\_003338-2966598c.pth'

# 初始化不带权重的模型
model = init_model(config_path)

# 初始化模型并加载权重
model = init_model(config_path, checkpoint_path)

# 在 CPU 上的初始化模型并加载权重
model = init_model(config_path, checkpoint_path, 'cpu')
'''
参数：

 config（str，Path 或 mmengine.Config）- 配置文件路径或配置对象。

 checkpoint（str，可选）- 权重路径。如果为 None，则模型将不会加载任何权重。

 device（str，可选）- CPU/CUDA 设备选项。默认为 ‘cuda:0’。

 cfg\_options（dict，可选）- 用于覆盖所用配置中的某些设置的选项。

返回值：

 nn.Module：构建好的分割器。

'''

mmseg.apis.inference_model使用分割器推理图像。

from mmseg.apis import init_model, inference_model

config_path = 'configs/pspnet/pspnet\_r50-d8\_4xb2-40k\_cityscapes-512x1024.py'
checkpoint_path = 'checkpoints/pspnet\_r50-d8\_512x1024\_40k\_cityscapes\_20200605\_003338-2966598c.pth'
img_path = 'demo/demo.png'


model = init_model(config_path, checkpoint_path)
result = inference_model(model, img_path)
'''
参数：

 model（nn.Module）- 加载的分割器

 imgs（str，np.ndarray 或 list[str/np.ndarray]）- 图像文件或加载的图像

返回值：

 SegDataSample 或 list[SegDataSample]：
 !如果 imgs 是列表或元组，则返回相同长度的列表类型结果，否则直接返回分割结果。



SegDataSample 中的参数分为几个部分：

 gt\_sem\_seg（PixelData）- 语义分割的标注。

 pred\_sem\_seg（PixelData）- 语义分割的预测。

 seg\_logits（PixelData）- 模型最后一层的输出结果。

'''

mmseg.apis.show_result_pyplot在图像上可视化分割结果。

from mmseg.apis import init_model, inference_model, show_result_pyplot

config_path = 'configs/pspnet/pspnet\_r50-d8\_4xb2-40k\_cityscapes-512x1024.py'
checkpoint_path = 'checkpoints/pspnet\_r50-d8\_512x1024\_40k\_cityscapes\_20200605\_003338-2966598c.pth'
img_path = 'demo/demo.png'


# 从配置文件和权重文件构建模型
model = init_model(config_path, checkpoint_path, device='cuda:0')

# 推理给定图像
result = inference_model(model, img_path)

# 展示分割结果
vis_image = show_result_pyplot(model, img_path, result)

# 保存可视化结果，输出图像将在 `workdirs/result.png` 路径下找到
vis_iamge = show_result_pyplot(model, img_path, result, out_file='work\_dirs/result.png')

# 修改展示图像的时间，注意 0 是表示“无限”的特殊值
vis_image = show_result_pyplot(model, img_path, result, wait_time=5)

'''
参数：

 model（nn.Module）- 加载的分割器。

 img（str 或 np.ndarray）- 图像文件名或加载的图像。

 result（SegDataSample）- SegDataSample 预测结果。

 opacity（float）- 绘制分割图的不透明度。默认值为 0.5，必须在 (0，1] 范围内。

 title（str）- pyplot 图的标题。默认值为 ‘’。

 draw\_gt（bool）- 是否绘制 GT SegDataSample。默认为 True。

 draw\_pred（draws\_pred）- 是否绘制预测 SegDataSample。默认为 True。

 wait\_time（float）- 显示的间隔，0 是表示“无限”的特殊值。默认为 0。

 show（bool）- 是否展示绘制的图像。默认为 True。

 save\_dir（str，可选）- 为所有存储后端保存的文件路径。如果为 None，则后端存储将不会保存任何数据。

 out\_file（str，可选）- 输出文件的路径。默认为 None。

返回值：

 np.ndarray：通道为 RGB 的绘制图像。

注意： 如果当前设备没有图形用户界面，建议将 show 设置为 False，并指定 out\_file 或 save\_dir 来保存结果。如果您想在窗口上显示结果，则不需要特殊设置。
'''

（三）使用现有模型进行训练和测试

1.在单GPU上训练和测试

1.tools/train.py 文件提供了在单GPU上部署训练任务的方法

python tools/train.py  ${配置文件} [可选参数]
'''
 --work-dir ${工作路径}: 重新指定工作路径

 --amp: 使用自动混合精度计算

 --resume: 从工作路径中保存的最新检查点文件（checkpoint）恢复训练

 --cfg-options ${需更覆盖的配置}: 覆盖已载入的配置中的部分设置，并且 以 xxx=yyy 格式的键值对 将被合并到配置文件中。 比如： ‘–cfg-option model.encoder.in\_channels=6’， 更多细节请看指导。
'''

!命令行参数 --resume 和在配置文件中的参数 load_from 的不同之处：

--resume 只决定是否继续使用工作路径中最新的检查点，它常常用于恢复被意外打断的训练。

load_from 会明确指定被载入的检查点文件，且训练迭代器将从0开始，通常用于微调模型。

如果您希望从指定的检查点上恢复训练您可以使用：

python tools/train.py ${配置文件} --resume --cfg-options load_from=${检查点}

2.tools/test.py 文件提供了在单 GPU 上启动测试任务的方法。

python tools/test.py ${配置文件} ${模型权重文件} [可选参数]
'''
 --work-dir: 如果指定了路径，结果会保存在该路径下。如果没有指定则会保存在 work\_dirs/{配置文件名} 路径下.

 --show: 当 --show-dir 没有指定时，可以使用该参数，在程序运行过程中显示预测结果。

 --show-dir: 绘制了分割掩膜图片的存储文件夹。如果指定了该参数，则可视化的分割掩膜将被保存到 work\_dir/timestamp/{指定路径}.

 --wait-time: 多次可视化结果的时间间隔。当 --show 为激活状态时发挥作用。默认为2。

 --cfg-options: 如果被具体指定，以 xxx=yyy 形式的键值对将被合并入配置文件中。

'''

2.测试并保存分割结果

当需要保存测试输出的分割结果，用 --out 指定分割结果输出路径

python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} --out ${OUTPUT_DIR}

以保存模型 fcn_r50-d8_4xb4-80k_ade20k-512x512 在 ADE20K 验证数据集上的结果为例：

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

4393)]
[外链图片转存中…(img-Erap77kX-1714157604393)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取