以SegFormer和Cityscapes为例记录MMSegmentation测试和训练

最新推荐文章于 2024-05-27 22:30:20 发布
最新推荐文章于 2024-05-27 22:30:20 发布
阅读量1.5k 收藏 15
点赞数 1
分类专栏： BEV 文章标签： python conda pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46474546/article/details/127708714
版权
1. MMSegmentation安装

参考我上一篇文章：ubuntu编译安装mmcv 1.6.2和mmsegmentation 0.28.0

2. 数据集Cityscapes准备

参考：https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/dataset_prepare.md

  1. 下载Cityscapes前三个部分，即gtFine_trainvaltest.zip (241MB)、
    gtCoarse.zip (1.3GB)、leftImg8bit_trainvaltest.zip (11GB)
    在这里插入图片描述
  2. 组织数据集如下图：
    在这里插入图片描述

mmsegmentation
├── mmseg
├── tools
├── configs
├── data
│ ├── cityscapes
│ │ ├── leftImg8bit
│ │ │ ├── train
│ │ │ ├── val
│ │ ├── gtFine
│ │ │ ├── train
│ │ │ ├── val
│ │ ├── gtCoarse
│ │ │ ├── train
│ │ │ ├── train_extra
│ │ │ ├── val

3. 测试SegFormer
  1. checkpoints下载：
    https://github.com/open-mmlab/mmsegmentation/tree/master/configs/segformer
  2. 测试
# 单卡GPU 测试
python ./tools/test.py configs/segformer/segformer_mit-b0_8x1_1024x1024_160k_cityscapes.py ./checkpoints/segformer_mit-b0_8x1_1024x1024_160k_cityscapes_20211208_101857-e7f88502.pth --eval cityscapes --show
# 多卡GPU 测试
./tools/dist_test.sh configs/segformer/segformer_mit-b0_8x1_1024x1024_160k_cityscapes.py ./checkpoints/segformer_mit-b0_8x1_1024x1024_160k_cityscapes_20211208_101857-e7f88502.pth 1 --eval cityscapes --show

*注： 多卡GPU测试中1为GPU数目

  1. 输出：
    在这里插入图片描述
4. 训练SegFormer
python tools/train.py configs/segformer/segformer_mit-b5_8x1_1024x1024_160k_cityscapes.py

默认会生成work_dir存放训练过程中的log和checkpoints：
在这里插入图片描述
输出：
在这里插入图片描述

Kair94
关注
  • 1
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
mmseg-1.0.0rc3新版本图片批量测试
Nostalgia53的博客
05-11 228
方案一：SegLocalVisualizer_hook中间隔的默认值为 50。您可以在 mmseg/.mim/tools/test.py 中修改函数trigger_visualization_hook。设置 visualization_hook['间隔'] = 1即可。方案二：New a test.py。
MMsegmentation的配置文件解释
m0_61899108的博客
11-19 1375
文件夹下面有4种基本组件类型： 数据集(dataset)，模型(model)，训练策略(schedule)和运行时的默认设置(default runtime)。为了帮助使用者熟悉这个流行的语义分割框架的完整配置文件和模块，我们在下面对使用 ResNet50V1c 的 PSPNet 的配置文件做了详细的注释说明。需要注意的是，在子配置文件里修改中间变量时，使用者需要再次传递这些变量给对应的域。我们按照下面的风格去命名配置文件，社区贡献者被建议使用同样的风格。去忽略基础配置文件里的一些域内容。
最新MMSegmentation文档学习记录（一）(3)，2024年最新【吐血整理】
kOS0ym的博客
05-12 541
这些都是用于训练和测试PSPNet的配置文件，使用MMEngine实现的Config来加载和解析它们。运行时的默认设置(default runtime)原始配置 (primitive)训练策略(schedule)从配置文件初始化一个分割器。数据集(dataset)，在图像上可视化分割结果。模型(model)，使用分割器推理图像。
在pycharm中MMsegmentation的安装并测试
liuchen_chen的博客
02-10 1009
在pycharm中MMsegmentation的安装并测试
mmsegmentation进行测试和预测
最新发布
m0_57782802的博客
05-27 307
其中 GFLOPS (Giga Floating Point Operations Per Second) 是指每秒进行的十亿次浮点运算次数，而 TFLOPS (Tera Floating Point Operations Per Second) 则是每秒进行的万亿次浮点运算次数。记得修改configs/_base_/datasets/pascal_voc12.py。我这里是 my_mode/swin/my_data.py。并且根目录下出现一个output目录存放预测图像结果。
mmsegmentation自定义数据集的准备，配置文件编写以及训练，测试
nianjiuhuiyi的博客
12-23 7546
mmsegmentation训练自定义数据集，超详细，从数据制作，到配置文件改写，到结果展示，都是自己跑通了的，然后记录下来，希望能帮到你~
使用mmsegmentation训练自己的数据集全流程
weixin_56911377的博客
09-27 3981
mmsegmentation学习日志
pytorch 实现yolo3详细理解（四） 测试和训练
12-21
本章就讲测试部分和训练部分的代码，照片经过yolo3的网络输出的是[1, 10647, 85]的数值，其中10647是（1313+2626+52*52）*3的输出，在每一个大小的网络信息上都有三个预测框，85是框的位置坐标x1,y1,x2,y2的形式，在...
deeplabv3plus在cityscapes数据集上的预训练模型
04-10
一个语义分割网络deeplabv3plus在cityscapes数据集上的预训练模型，最好的效果。.ph文件
Cityscapes转VOC格式，同时转换图片和标签的格式，用于目标检测检测训练
09-25
由于cityscapes的中并不包含VOC中的truncated和difficult信息，所以将所有object中truncated和difficult的值都设为0。 cityscapes数据集，通常将val作为test集用于验证性能，因为官方没有放出test集的标注，目的是...
Cityscapes_TFrecord 用于DeepLabv3+测试
04-11
Cityscapes_TFrecord 用于DeepLabv3+测试 原来的文件下载次数到上限了，重发了一个无限次数的
DeepLabV3Plus-Pytorch:DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重
05-13
DeepLabv3，DeepLabv3 +和VOC和Cityscapes上的预训练权重。 可用架构 使用“ --model ARCH_NAME”指定模型体系结构，并使用“ --output_stride OUTPUT_STRIDE”设置输出步幅。 DeepLabV3 DeepLabV3 + deeplabv3_...
使用cityscapes数据集在mmsegmentation框架下训练语义分割模型
m0_46201134的博客
12-02 2305
mmseg训练语义分割模型全过程记录
【mmSegmentation】解耦语义分割模型，逐部分理解模型的构成与作用；规范开发和测试标准，增加模型的可复现性；让语义分割模型落地更稳
白水空空
06-13 3376
MMSeg 作为全新的语义分割框架，和其他的框架相比，它提供了更强更快的主流算法，统一超参的公平比较，附带丰富的配置文件和五花八门的 tricks，而且非常灵活易于拓展。在所有的提供的模型和配置文件，没有增加额外的训练 tricks，MMSeg 提供非常丰富的配置文件，这些配置文件整合了各种比较常见的训练 setting，以PSPNet 在 Cityscapes 数据集为例，我们提供了多种不同配置的 PSPNet，报告了速度，显存占用，单尺度/多尺度精度等指标，并提供模型以及实验记录供用户直接下载使用。
MMSegmentation 训练测试全流程
Talk is cheap, show me the code!
02-17 5690
MMSegmentation 训练测试全流程1.按照执行顺序的流程梳理Level 0: 运行 Shell 命令:Level 1: 在 tools/train.py 内:Level 2: 转进到 mmseg.apis 模块的 train_segmentor 函数内:Level 3: 转进到 mmcv/runner/iter_based_runner.py 内的 IterBasedRunner 类的 run 函数内部:Level 4: 转进到 IterBasedRunner 类的 train 函数内部Level
二、MMsegmentation 配置教程+训练教程+模型测试（ 服务器）
热门推荐
qq_43507388的博客
04-08 1万+
时间： 2022年4月8日 内容：训练 MM Segmentation 中的deeplabv3 深度神经网络 如果想要系统的学习，可以参考官方文档： https://mmsegmentation.readthedocs.io/en/latest/get_started.html#installation 但是我理解力有限感觉不太详细。 基础的配置和介绍可以看我的上一篇博客，这篇讲一下训练。 1 试错 首先我也是在网上参考的教程： https://zhuanlan.zhihu.com/p/3930705
训练Cityscapes
yuanxue18的博客
02-22 216
具体每个文件夹有何用处可参考下面这个博客中所述： 博客链接：https://blog.csdn.net/nefetaria/article/details/105728008 https://github.com/wasidennis/AdaptSegNet/tree/master/dataset 在阅读之前，希望你已经看过了这篇帖子：https://blog.csdn.net/zz2230633069/article/details/84591532，因为对于数据集的文件组织结构下面将不会涉及。然后希望你
cityscape 数据集 mmsegmentation训练记录
qwerzxcvb123的博客
04-02 5528
项目场景： MMSegmentation 是一个基于 PyTorch 的开源语义分割工具箱。它是 OpenMMLab 项目的一部分。 主分支与PyTorch 1.5+一起使用。 源码下载 训练源码地址：训练源码下载点这里 预处理脚本地址：cityscapesscripts 数据集下载：各大数据集，链接内有cityscape数据集，需有教育邮箱注册下载 安装 请参考get_started.md进行安装和dataset_prepare.md进行数据集准备。 问题描述 1.导入各类包的问题 mmcv说明文件有步
学习Segformer语义分割模型并训练测试cityscapes数据集
m0_63495706的博客
04-07 3883
官方的segformer源码是基于MMCV框架，整体包装较多，自己不便于阅读和学习，我这里使用的是Bubbliiiing大佬github复现的segformer版本。Bubbliiiing大佬代码下载链接：https://github.com/bubbliiiing/segformer-pytorch大佬的代码很优秀简练，注释也很详细，代码里采用的是VOC数据集的格式，因此只需要把cityscapes数据格式修改即可。
mmsegmentation
08-22
MM Segmentation是一种深度学习模型库，用于解决图像分割任务。它提供了多种常用的图像分割模型，并包含了相关的预处理和后处理方法。MM Segmentation模型库还提供了完整的训练、测试、Fine-tuning和部署方案，旨在让用户快速地实现自己的图像分割任务。同时，MM Segmentation也支持各种框架，如PyTorch和MMDetection等。总之，MM Segmentation是一个功能强大、易于使用的图像分割工具。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值