一、MM Segmentation 介绍与安装

时间： 2022年4月1日
内容：学习MM Segmentation

MM Segmentation 介绍和理解

MM Segmentation 利用注册器和配置文件，实现了 可拓展性 和 易用性。
它是一个封装了许多语义分割深度神经网络的框架，下载好之后是一个project，放入自己的数据集，或者利用官网（链接在下方）并选择深度神经网络，就可以实现各种语义分割模型。

注册器：Dataset、Pipeline、（数据预处理流程）、Model在定义的过程中都使用注册器。字典保存了已定义的模型、数据集等，字典的键为类名，值为对应的类。
若要添加新的类，只要在定义类时使用注册器类，就能自动将新类添加到字典中。

配置文件：用户可以通过配置文件，修改或添加数据集、预处理流程、网络模型和训练流程。

下面按照我的理解进行简单的介绍：

配置文件的路径在mmsegmentation/config/_base_中，里面有四个文件/文件夹：

其中,
datasets里面是可用的数据集格式，在所用的数据集对应的文件中修改配置；
models里面是可用的深度网络模型；
schedules里面是训练的配置，分为20k 40k 60k等，对应具体的深度神经网络模型；
default_runtime.py是默认运行时间。
额外说一下,config/xxxmodel/xxx_xxx.py和config/base/models/xxx.py
前者是以要用的具体的网络文件命名的，里面配置要用到的文件；
后者是具体的执行文件，显然，在前者里面要调用后者，并调用一些数据集等文件，以deeplabv3为例：
deeplabv3_r50-d8_512x512_20k_voc12aug.py :

_base_ = [
    '../_base_/models/deeplabv3_r50-d8.py',
    '../_base_/datasets/pascal_voc12.py', '../_base_/default_runtime.py',
    '../_base_/schedules/schedule_20k.py'
]
model = dict(
    decode_head=dict(num_classes=5), auxiliary_head=dict(num_classes=5))

deeplabv3_r50_d8.py:

# model settings
norm_cfg = dict(type='SyncBN', requires_grad=True)
model = dict(
    type='EncoderDecoder',
    pretrained='open-mmlab://resnet50_v1c',
    backbone=dict(
        type='ResNetV1c',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),
        dilations=(1, 1, 2, 4),
        strides=(1, 2, 1, 1),
        norm_cfg=norm_cfg,
        norm_eval=False,
        style='pytorch',
        contract_dilation=True),
    decode_head=dict(
        type='ASPPHead',
        in_channels=2048,
        in_index=3,
        channels=512,
        dilations=(1, 12, 24, 36),
        dropout_ratio=0.1,
        num_classes=19,
        norm_cfg=norm_cfg,
        align_corners=False,
        loss_decode=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0)),
    auxiliary_head=dict(
        type='FCNHead',
        in_channels=1024,
        in_index=2,
        channels=256,
        num_convs=1,
        concat_input=False,
        dropout_ratio=0.1,
        num_classes=19,
        norm_cfg=norm_cfg,
        align_corners=False,
        loss_decode=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=0.4)),
    # model training and testing settings
    train_cfg=dict(),
    test_cfg=dict(mode='whole'))

整体的文件框架如下：

具体使用：(用下面的方法我没跑通，下一篇讲mmsegmentation的训练）

https://zhuanlan.zhihu.com/p/393070556

额外：
labelme仓库：

https://gitcode.net/mirrors/wkentaro/labelme?utm_source=csdn_github_accelerator

安装：
pytorch，如果你也是服务器上，可以参考我的上一篇文章：

https://blog.csdn.net/qq_43507388/article/details/123870298

mmsegmentation仓库 及 安装指南：

https://github.com/open-mmlab/mmcv#installation

安装建议按照官网的教程，不建议参考网上的博客，这是官网：

https://mmsegmentation.readthedocs.io/en/latest/get_started.html#installation

详细的步骤我就不搬过来了。
假设已经装好了pytorch和torchvision和cuda，依次执行如下命令（来自官网）：

conda create -n open-mmlab python=3.10 -y
conda activate open-mmlab

conda install pytorch=1.11.0 torchvision cudatoolkit=11.3 -c pytorch
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.11.0/index.html
git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e .  # or "python setup.py develop"

mkdir data
ln -s $DATA_ROOT data

python pytorch cuda 注意要换成你的版本，最后两行是建立data文件夹和数据集软链接。

我的血泪史，跑不起来应该是代码不对，不要轻易重装，不然时间都花在重装上了。
参考：

https://blog.csdn.net/jiaoyangwm/article/details/114373269

https://blog.csdn.net/qq_20549061/article/details/107871736