sam安装教程

• sam安装教程：
○ 参考教程：
§ 使用Segment Anything(SAM)模型进行自动标注（csdn）
§ 基于Segment anything的实例分割半自动标注（csdn)
○ 配合参考教程使用，下面是方便安装及验证
○ 环境配置：
§ 下载项目：
项目1：https://github.com/zhouayi/SAM-Tool
项目2：https://github.com/facebookresearch/segment-anything
使用git命令
git clone https://github.com/zhouayi/SAM-Tool.git

				git clone https://github.com/facebookresearch/segment-anything.git
				cd segment-anything
				pip install -e .
			下载SAM模型：https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth
		§  安装sam-tool所需要的环境，environment.yaml
		§ conda env create -f .\SAM-Tool\environment.yaml
		§ conda create --name sam_tool python=3.9（上一步走通无需要这一步）
		§ pip install onnx onnxruntime torch torchaudio torchvision distinctipy opencv-python pillow==9.4.0 PyQt5 timm -i https://pypi.tuna.tsinghua.edu.cn/simple
			 onnx
			 onnxruntime
			 torch
			 torchaudio
			 torchvision
			 distinctipy
			 opencv-python
			 pillow==9.4.0
			 PyQt5
			 timm
			 scikit-image
			
	○ 代码运行：
		# cd到项目2的主目录下
		 python helpers\extract_embeddings.py --checkpoint-path sam_vit_h_4b8939.pth --dataset-folder .\images\ --device cpu
		§ 运行generate_onnx.py将pth文件转换为onnx模型文件
			□ python helpers\generate_onnx.py --checkpoint-path sam_vit_h_4b8939.pth --onnx-model-path ./sam_onnx.onnx --orig-im-size 1080 1920
		§ 将生成的sam_onnx.onnx模型复制到项目1的主目录下，运行segment_anything_annotator.py进行标注
			□ python segment_anything_annotator.py --onnx-model-path sam_onnx.onnx --dataset-path images --categories 40090001
			□ 在对象位置处点击鼠标左键为增加掩码，点击右键为去掉该位置掩码。
		§ 运行cocoviewer.py查看全部的标注结果
			□ python cocoviewer.py -i images -a images\annotations.json
	○ 报错处理：
		 报错：image_name = self.coco_json["images"][image_id]["file_name"]

IndexError: list index out of range。因为导入的图片是大写的JPG格式，而该函数只支持小写的jpg和png，解决方案有两个：1、修改图片后缀为小写的jpg和png；2、扩展dataset_explorer.py里144行，get_image_data里的大写JPG格式代码