网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
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 − − r e s u m e − − c f g − o p t i o n s l o a d f r o m = {配置文件} --resume --cfg-options load_from= 配置文件−−resume−−cfg−optionsloadfrom={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：
python tools/test.py configs/fcn/fcn_r50-d8_4xb4-80k_ade20k-512x512.py ckpt/fcn_r50-d8_512x512_80k_ade20k_20200614_144016-f8ac5082.pth --out work_dirs/format_results
‘’’
或者通过配置文件定义 output_dir。例如在 configs/fcn/fcn_r50-d8_4xb4-80k_ade20k-512x512.py 添加 test_evaluator 定义：
test_evaluator = dict(type=‘IoUMetric’, iou_metrics=[‘mIoU’], output_dir=‘work_dirs/format_results’)
然后执行相同功能的命令不需要再使用 --out：
python tools/test.py configs/fcn/fcn_r50-d8_4xb4-80k_ade20k-512x512.py ckpt/fcn_r50-d8_512x512_80k_ade20k_20200614_144016-f8ac5082.pth
‘’’
当测试的数据集没有提供标注，评测时没有真值可以参与计算，因此需要设置 **format\_only=True**， 同时需要修改 **test\_dataloader**，由于没有标注，我们需要在数据增强变换中**删掉 dict(type=‘LoadAnnotations’)**，以下是一个配置示例：
test_evaluator = dict(
type=‘IoUMetric’,
iou_metrics=[‘mIoU’],
format_only=True,
output_dir=‘work_dirs/format_results’)
test_dataloader = dict(
batch_size=1,
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
…(img-73BQSk9W-1714879303632)]
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
扫一扫
9万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
