RSPrompter 使用与启动教程

RSPrompter 使用与启动教程

RSPrompter 项目地址: https://gitcode.com/gh_mirrors/rs/RSPrompter

1. 项目介绍

RSPrompter 是一个基于视觉基础模型的学习项目，旨在对遥感图像进行实例分割。该项目基于 MMDetection 项目进行开发，提供了一个高度一致性的 API 接口和使用方法。RSPrompter 支持多种训练和测试数据集，并集成了 SAM-seg、SAM-det 等模型。

2. 项目快速启动

环境安装

首先，确保您的系统中安装了以下依赖：

• Python 3.7+，推荐 3.10
• PyTorch 2.0 或更高版本，推荐 2.1
• CUDA 11.7 或更高版本，推荐 12.1
• MMCV 2.0 或更高版本，推荐 2.1

使用 Miniconda 创建虚拟环境并安装相关依赖：

# 创建名为 rsprompter 的虚拟环境并激活
conda create -n rsprompter python=3.10 -y
conda activate rsprompter

# 安装 PyTorch 2.1.x
pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu121

# 安装 MMCV 2.1.x
pip install -U openmim
mim install mmcv==2.1.0

# 安装其他依赖
pip install -U transformers==4.38.1 wandb==0.16.3 einops pycocotools shapely scipy terminaltables importlib peft==0.8.2 mat4py==0.6.0 mpi4py

# 可选：安装 DeepSpeed
# pip install deepspeed==0.13.4

克隆项目仓库

# 克隆 RSPrompter 仓库
git clone git@github.com:KyanChen/RSPrompter.git
cd RSPrompter

3. 应用案例和最佳实践

数据集准备

RSPrompter 支持多种遥感数据集，如 WHU Building Dataset、NWPU VHR-10 Dataset 和 SSDD Dataset。数据集需要按照以下目录结构进行组织：

${DATASET_ROOT} # 数据集根目录
├── annotations
│   ├── train.json
│   ├── val.json
│   └── test.json
└── images
├── train
├── val
└── test

模型训练

在 configs/rsprompter 目录下，提供了基于 SAM 的模型配置文件。以下是一个简单的训练命令示例：

# 使用配置文件启动训练
python train.py ${CONFIG_FILE} --work-dir ${OUTPUT_DIR}

替换 ${CONFIG_FILE} 为实际的配置文件路径，${OUTPUT_DIR} 为训练输出目录。

4. 典型生态项目

RSPrompter 作为遥感图像实例分割的开源项目，是 MMDetection 生态的一部分。其他类似的生态项目包括但不限于：

• MMDetection：一个开源的检测工具箱，支持多种检测和分割任务。
• MMSegmentation：专注于图像分割的开源项目。
• MMDeploy：用于模型部署的工具包，支持多种硬件和平台。

以上是 RSPrompter 的使用和快速启动教程，希望对您有所帮助。

RSPrompter 项目地址: https://gitcode.com/gh_mirrors/rs/RSPrompter