在这里插入图片描述
想要借鉴SegViT官方模型源码部署到本地自己代码文件中

1. 环境配置

官网要求安装mmcv-full=1.4.4和mmsegmentation=0.24.0
在这之前记得把mmcv和mmsegmentation原来版本卸载

pip uninstall mmcv
pip uninstall mmcv-full
pip uninstall mmsegmentation

安装mmcv

其中，mmcv包含两个版本：一个是完整版mmcv（原来叫mmcv-full），一个是精简版mmcv-lite（原来叫mmcv），2.0.0版本之后更名了，具体的区别可以看mmcv官网手册和博客
安装mmcv-full（也就是mmcv完整版）主要参考mmcv官网手册。
如果你要安装mmcv>=2.0.0直接根据官网手册安装即可，不再赘述。
如果你要安装历史版本，例如我安装mmcv-full==1.4.4，可以参考我的记录。
在安装mmcv前，首先要知道自己的pytorch和cuda对应版本。
查看pytorch版本：

python -c 'import torch;print(torch.__version__)'

如果输出版本信息则已经安装pytorch
查看cuda版本：
注意要查你这个环境下pytorch对应的cuda版本
例如
这是我使用nvidia-smi命令查看的cuda版本：
在这里插入图片描述
这是我使用查看pytorch对应cuda版本命令：

python -c 'import torch;print(torch.version.cuda)'

也可以写成：

参考博客：https://blog.csdn.net/qq_49821869/article/details/127700187

python

>>>import torch
>>>torch.version.cuda

在这里插入图片描述
在这里我的pytorch版本应该是1.11.0，对应cuda版本是11.3

参考博客：https://blog.csdn.net/qq_41661809/article/details/125345690

于是，我输入命令：

pip install mmcv-full==1.4.4 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.11.0/index.html

不成功，于是我访问了这个网址查看，发现我能用的最低版本也就是1.4.7
在这里插入图片描述
于是我把命令换成了：

pip install mmcv-full==1.4.7 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.11.0/index.html

mmcv-full安装结束

安装mmsegmentation

mmsegmentation原本我是按照官网指导安装的，
但是要求mmcv>=2.0.0，而且安装的版本是mmsegmentation==1.0.0，这和我的要求冲突了。
注意mmsegmentation要和mmcv版本匹配：

参考博客：https://blog.csdn.net/CharilePuth/article/details/122909620

在这里插入图片描述

于是我直接：

pip install mmsegmentation==0.24.0

安装成功。
“pip安装包像喝水一样简单”——曾经一位大佬如是说道。

2. 搞代码！

找模型配置文件

进入官网，在Training中找到模型对应的config文件：
在这里插入图片描述
在Highlights中我知道了本文的一大亮点就是收缩结构，可以减小计算成本，因此接下来我会选择收缩结构：

由于我要跑的图片大小为512，因此我在这个代码的Results中找到同样512*512的COCO数据集对应模型：
在这里插入图片描述

返回configs文件夹找到这个数据集对应网络模型：
在这里插入图片描述

观察其代码得知所用backbone为vit_shrink，解码头为TPNATMHead：

注意其中的参数设置，同时还要关注__base__的配置文件，其中的参数在模型声明的时候要输入进去。

找模型代码

进入backbone文件夹下找到vit_shrink网络：
在这里插入图片描述
复制粘贴到自己的py文件中
在decode_heads文件夹下找到解码头代码：

复制粘贴到自己的py文件中

对代码缝缝补补

补充库文件
库文件缺什么补什么，例如在tpn_atm_head解码器代码中需要引用另外两个解码器代码中的内容，直接把另外两个解码器的代码ctrl C+V进来，将需要使用的模块留下来即可：
检查输入输出
backbone的输入和输出：

解码器部分的输入输出如图：

写一个SegViT来测试输入输出，注意参考配置文件将对应配置提前声明好：

class SegViT(nn.Module):
    def __init__(self, num_class):
        super(SegViT, self).__init__()
        out_indices = [7,23]
        in_channels = 1024
        img_size = 512
        # checkpoint = './pretrained/vit_large_p16_384_20220308-d4efb41d.pth'
        checkpoint = 'https://download.openmmlab.com/mmsegmentation/v0.5/pretrain/segmenter/vit_large_p16_384_20220308-d4efb41d.pth'

        # self.backbone = get_vit_shrink()
        self.backbone = vit_shrink(
            img_size=(img_size,img_size),embed_dims=in_channels,num_layers=24,drop_path_rate=0.3,num_heads=16,out_indices=out_indices)
        self.decoder = TPNATMHead(
            img_size=img_size,in_channels=in_channels,channels=in_channels,embed_dims=in_channels//2,num_heads=16,num_classes=num_class,num_layers=3, use_stages=len(out_indices))

    def forward(self, _x):
        x = self.backbone(_x)
        out = self.decoder(x)
        # if self.training:
            # return out['pred'], out['ce_aux']
        # else:
            # return out
        return out

运行检查out的类型

if __name__ == "__main__":
    x = torch.randn(4, 3, 512, 512)
    net = SegViT(6)
    # flops, params = profile(net, (x,))
    # print('flops: %.2f G, params: %.2f M' % (flops / 1000000000.0, params / 1000000.0))
    # res, aux = net(x)
    res = net(x)
    print(res)

然后发现输出是一个字典类型，prediction是其中键名为pred对应的值，该值为tensor类型，shape大小为(4,6,512,512)，输出正确。
接下来要找辅助分支的输出。
在解码器头的forward中发现：
在这里插入图片描述
将注释去掉，得到辅助分支的输出（会将辅助分支的输出结果以字典元素形式加入到atm_out中，可以调试看看），记得要把对应的初始化函数的注释也去掉：

其中，由于我是单卡运行，于是把SyncBN改成了BN，否则报错。
另外，训练阶段和测试阶段的输出是不一样的，可以调试检查：

    def forward(self, _x):
        x = self.backbone(_x)
        out = self.decoder(x)
        if self.training:
            return out['pred'], out['ce_aux']
        else:
            return out

加载权重文件
权重文件注意可以提前下载好

def get_vit_shrink(pretrained=True, img_size=512, in_channels=1024, out_indices=[7,23]):
    model = vit_shrink(
            img_size=(img_size,img_size),embed_dims=in_channels,num_layers=24,drop_path_rate=0.3,num_heads=16,out_indices=out_indices)
    if pretrained:
        checkpoint = '权重文件所在路径'
        # if 'state_dict' in checkpoint: state_dict = checkpoint['state_dict']
        # else: state_dict = checkpoint
        model.load_state_dict(checkpoint, strict=False)
    return model

最终的模型是：

class SegViT(nn.Module):
    def __init__(self, num_class):
        super(SegViT, self).__init__()
        out_indices = [7,23]
        in_channels = 1024
        img_size = 512
        # checkpoint = './pretrained/vit_large_p16_384_20220308-d4efb41d.pth'
        # checkpoint = 'https://download.openmmlab.com/mmsegmentation/v0.5/pretrain/segmenter/vit_large_p16_384_20220308-d4efb41d.pth'

        self.backbone = get_vit_shrink()
        self.decoder = TPNATMHead(
            img_size=img_size,in_channels=in_channels,channels=in_channels,embed_dims=in_channels//2,num_heads=16,num_classes=num_class,num_layers=3, use_stages=len(out_indices))

    def forward(self, _x):
        x = self.backbone(_x)
        out = self.decoder(x)
        if self.training:
            return out['pred'], out['ce_aux']
        else:
            return out

检查最终的输入输出
结束。

3. 运行模型

在自己的框架里，配置参数，然后运行即可。

结束。

【实验】SegViT: Semantic Segmentation with Plain Vision Transformers