1.创建一个 conda环境并激活
打开Anaconda prompt,在base环境中输入以下指令:
conda create -name mmseg python=3.9 -y # 创建mmseg环境
conda activate mmseg # 激活创建的环境
2.安装PyTorch
打开Pytorch官网---->GET STARTED---->Previous PyTorch Versions。根据电脑配置找到对应版本下载。(下面是我选择的版本)
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch
安装完进入Python,输入下面的命令,检查torch是否装好可用
exit() # 退出python
3.使用MIM安装MMCV
继续输入以下指令安装MMCV:
pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"
4.安装MMSegmentation
这里通过源码的方式安装
git clone -b main https://github.com/open-mmlab/mmsegmentation.git
# 使用git前电脑上需要先安装Git软件
cd mmsegmentation # 进入mmsegmentation路径
pip install -v -e .
#'-v'表示详细模式,更多的输出
#'-e' 表示以可编辑模式安装工程
# 因此对代码所做的任何修改都生效,无需重新安装
安装完,pip list一下,查看mmsegmentation是下面这种就可以了
5.验证安装是否成功(mmsegmentation路径下验证)
以pspnet为例,下载模型的配置文件和模型权重,对图片demo进行分割。
(1)下载配置文件和模型文件。
mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .
下载结束在mmsegmentation文件中可以看到两个文件,一个.py后缀的配置文件一个.pth后缀的模型文件。
(2)验证预测程序demo。
python demo/image_demo.py demo/demo.ononTldS/pspnet/pspnet r50-08 4xb2-40k_cityscapes-512x1024.py pspnet_r50-d8_512x1024_40k_cityscapes20200605 003338-2966598c.pth--device cuda:0 --out-file result.jpg
运行结束后在mmsegmentation文件夹中看到一个新图像result.jpg,其中所有目标都覆盖了mask。
6.安装GDAL库
GDAL 是一个用于栅格和矢量地理空间数据格式的转换库。安装 GDAL 可以读取复杂格式和极大的遥感图像。
conda install GDAL # 安装GDAL库
在pycharm中配置刚才创建的python解释器。
选择模型,根据需要修改相关参数,准备好预处理的数据集,训练模型。
注:
①二分类问题背景和前景标签值设为0和1,其他以此类推。
②存放数据的路径要按如下格式。
mmsegmentation
├── mmseg
├── tools
├── configs
├── data # 在mmsegmentation根目录中创建一个存放数据集的文件夹
│ ├── dataset1 # 数据集名称
│ │ ├── annotations # 放labels
│ │ │ ├── training # 训练的labels放到这个文件夹
│ │ │ ├── validation # 验证的labels放到这个文件夹
│ │ ├── images # 放images
│ │ │ ├── training # 训练的images放到这个文件夹
│ │ │ ├── validation # 验证的images放到这个文件夹
参考: