使用恒源云服务器+VSCODE+MMsegmentation进行语义分割训练（史上最详细）

欢迎大家批评指正

一、恒源云服务器

深度学习的实验离不开算力的支持，在计算资源有限的情况下，使用云服务器进行深度学习训练是一个不错的选择。
这里我使用的是恒源云平台
1.进行账号注册
可以使用手机验证登录
2.学生认证
恒源云对学生有很大优惠
3.租借实例
以我为例，我租借的是单卡3090，可以选择按量付费和按周付费，由于跑实验需要长时间使用，按量付费很有可能需要和别人抢卡对我来说太麻烦了。这里我选择的是Pytorch1.11 Cuda11.3 Python3.8的版本。

二、VSCODE连接远程服务器

1.这个步骤很多文章中都有提到，可以参考VSCODE连接远程服务器，其实对熟悉这个操作的人来说这步其实很简单，只需要输入对应的账号和密码即可。
2.通过在服务器端下载python扩展，以实现后续成功编译

若不在服务器上下载python插件，编译器会找不到编译环境，无法编译。

三、配置服务器mmsegmentation环境

1.环境的配置是很让人头疼的，我当初没有选择mmsegmentation镜像，因为担心恒源云官网mmsegmentation镜像版本太老，所以便自己创建了一个没有mmsegmentation镜像的。
2.使用服务器自带的(base)环境，如图所示：
激活环境

conda activate base

激活成功，查看是否能找到cuda

按上图步骤依次输入

python
import torch
torch.__version__
torch.cuda.is_available()

不出意外的话返回为True,如果返回为False则说明torch和cuda的版本不对，这个就需要自己到pytorch官网进行选择对应的pytorch和cuda下载。选择对应版本的pytorch和cuda
3.安装mmsegmentation
这里参考官方文档的最佳实践，由于我们使用了原来的base环境，所以创建虚拟环境和安装pytorch的步骤可以省略，如下图：

接下来按照最佳实践进行配置即可。
最佳实践中会有一个验证程序，运行后的结果是这样的

四、mmsegmentation训练自己的数据集

1.这个环节我是参考这个大佬的博客进行的AESA相控阵，前面的步骤按照他的要求来是没有问题的；
2.但是，在所有配置确认完之后，会报出一个AttributeError，其原因是，/hy-tmp/mmsegmentation/mmseg/datasets/，路径下自己定义的dataset根据stare.py直接复制过来的会出错，只需要把最后一行代码注释掉即可。
3.同时，mmsegmentation二分类图像的mask像素不能为0，255，而是要求为0，1
因此需要对掩码图像进行一个转换，以下是批量将图片像素由0，255转化为0，1的python脚本

import cv2
import os

path = '/hy-tmp/mmsegmentation/trainData/***' #自己定义路径
path_save = '/hy-tmp/mmsegmentation/trainData/***/' #自己定义路径
name_list = os.listdir(path)

for name in name_list:
    print(name)
    img_path = os.path.join(path, name)
    img = cv2.imread(img_path,-1)
    img = img/255
    cv2.imwrite(path_save + str(name), img)
#img = cv2.imread('/media/cyy_1/mmsegmentation/my_data/potsdam/ann_dir/train/3.png',-1)
#img = img/255
#print(img)
#cv2.imwrite('image.png',img)'