mmsegmentation训练子集的数据

参考的是这篇博文，mmsegmentation训练自己的任务 - 知乎

1、安装mmcv，参考GitHub - open-mmlab/mmcv: OpenMMLab Computer Vision Foundation

pip install mmcv-full=={mmcv_version} -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html

2、下载mmsegmentation,地址https://github.com/open-mmlab/mmsegmentation

3、如有需要增加对应格式数据加载方法mmseg/datasets/pipelines/loading.py

imdecode_backend# 加载图像的包。
img_bytes = self.file_client.get(filename)#应该是字节格式的数据
img = mmcv.imfrombytes(img_bytes, flag=self.color_type, ackend=self.imdecode_backend)# 将字节数据转换成numpy数组

gt_semantic_seg = mmcv.imfrombytes(
            img_bytes, flag='unchanged',
            backend=self.imdecode_backend).squeeze().astype(np.uint8)# 将字节数据转换成numpy数组

@PIPELINES.register_module()：别忘记注册这个方法

3、注册编写的数据加载方法：mmseg/datasets/pipelines/__init__.py，

from .loading import LoadAnnotations, LoadImageFromFile
__all__ = [...]

这样才能在后续的代码中引用到这个方法。

4、编写自己数据库对应的dataset，根目录configs/_base_/datasets，随便参考一个简单的pipeline，主要是修改Load方法，如果有必要Normalize方法mmseg/datasets/pipelines/transforms.py也可以修改。

LoadImageFromFile：载入图像
LoadAnnotations：载入标记
Normalize：归一化

将base修改完了之后就可以直接修改具体的dataset方法了mmseg/datasets，随便找一个进行修改。

CLASSES：('background', 'vessel')类别名称
PALETTE：[[0], [1]]对应的类别标记
img_suffix='.png'：图像后缀
seg_map_suffix='_1stHO.png'：标签后缀

最后在mmseg/datasets/__init__.py中注册dataset。

5、创建配置文件，这个路径随便放了，最好单独创建文件夹https://github.com/open-mmlab/mmsegmentation/blob/master/docs_zh-CN/tutorials/config.md

 ，例如configs/swin/upernet_swin_tiny_patch4_window7_512x512_160k_ade20k_pretrain_224x224_1K.py

'../_base_/models/upernet_swin.py',：网络
'../_base_/datasets/ade20k.py'：dataset载入
'../_base_/default_runtime.py'：运行时
'../_base_/schedules/schedule_160k.py'：训练计划

然后修改需要修改的部分。

6、开始训练，文档中写的蛮清楚的https://github.com/open-mmlab/mmsegmentation/blob/master/demo/MMSegmentation_Tutorial.ipynb

 。mmsegmentation/get_started.md at master · open-mmlab/mmsegmentation · GitHub。实际上调用的是tools/train.py

7、预测和训练差不多。mmsegmentation/inference.md at master · open-mmlab/mmsegmentation · GitHub