（学习记录）mmsegmentation框架下训练自己的数据集-二分类

一、常规的mmlab系列框架更改

1. 新建mmseg/dataset/my_dataset.py，修改如下：

class MyDataset(BaseSegDataset):
    METAINFO = dict(
        classes=('background','xxx'),

        palette=[[120, 120, 120], [6, 230, 230]])

    def __init__(self,
                 img_suffix='.JPG',
                 seg_map_suffix='.png',

2. mmseg/dataset/init.py, 增加自己的类
3. configs/danet/danet_r50-d8.py, 修改自己的分类数，我为二分类，把num_classes为2.

    decode_head=dict(num_classes=2),
    auxiliary_head=dict(num_classes=2))

4. 新建configs/base/datasets/my_dataset.py,主要改自己数据集的路径。

二、数据的清洗及源码的更改
5. 由于是二分类，mask对应的是实例分割，所以我需要把背景像素为0，目标像素为255. 代码如下，把数据清理一下：

import numpy as np
import PIL.Image as Image

src= Image.open("./masks/xx.png")
mat = np.array(src)
mat = mat.astype(np.uint8)
dst = Image.fromarray(mat, 'P')
bin_colormap = [0,0,0] + [255,255,255]*254    # 二值调色板
dst.putpalette(bin_colormap)
dst.save('xx.png')
src.close()

6. 改源码。mmseg框架下默认背景像素为0，目标像素为1，所以改源码。mmseg/datasets/tranforms/loading.py , 这样，目标id为255

gt_semantic_seg[gt_semantic_seg_copy == old_id*255] = new_id

三、训练的效果图

1. 训练成功图，由于训练时间短，准确率暂时还不高，22%，后续改。

2. 预测，用的demo/image_demo_with_inferencer.py