mmsegmentation学习笔记

mmsegmentation教程

下载预训练权重

github–>mmsegmentation–>model zoo–>XXX model(例如：PSPNet)–>找到预选连权重与config的前缀一致：pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 （model）

了解配置文件

查看配置文件，可以运行 python tools/misc/print_config.py /PATH/TO/CONFIG 来查看完整的配置文件。

python tools/misc/print_config.py configs/deeplabv3plus/deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py

准备数据集

1. 按照同济子豪兄的西瓜语义分割数据集进行制作
2. 建立mmseg/datasets/My_Dataset.py

构建模型

1. 执行以下两步生成完整的配置文件,在文件夹work_dirs中

cd mmsegmentation
python tools/train.py configs/deeplabv3plus/deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py

2. 复制在configs/deeplabv3plus并命名为：my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py
3. 修改完整的配置文件的num_classes,所有的num_classes=背景+类别数
4. 修改完整的配置文件的dataloader的路径
5. 找到路径mmseg/datasets，复制pascal_context.py模仿建立my_pascal_context.py，在init.py中导入，并随后在配置文件中修改数据集格式。
6. 将type='SyncBN’修改成type=‘BN’
7. 添加更多的评估指标’mDice’,'mFscore’等等
8. 修改完成后请pip install -v -e .或者python setup.py install

模型训练

1. 模型训练
   方法一：注意tools/train.py ‘xxx’和’–xxx’的区别，有’–‘可以添加也可以不添加，无’–'是必须添加。

python tools/train.py configs/my_deeplabv3plus/deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py

方法二： train.py–>Configuration–>Parameters: E:/Python_Project/mmsegmentation_ours/configs/my_deeplabv3plus/deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py --work-dir mmseg_log -->apply–>run train.py

模型测试

1. 对验证集或者测试集上图片进行测试

 python tools/test.py configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/iter_5000.pth --work-dir work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/test  --show --show-dir work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/test_img --out work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/test_images

2. 单张图像分割显示:参考同济子豪兄
3. 批量图像分割显示:参考同济子豪兄

模型分析实用工具

1. 计算参数量（params）和计算量（ FLOPs）

python tools/analysis_tools/get_flops.py configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py --shape 512 512

注意：将tools/analysis_tools/get_flops.py进行以下修改：

outputs = get_model_complexity_info(
    model,
    # input_shape,#注释掉
    inputs=data['inputs'],
    show_table=False,
    show_arch=False)

2. 计算FPS，特别注意，在同一个benchmark上面对比性能指标，才有意义，200张以上才有效。

python tools/analysis_tools/benchmark.py configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/iter_5000.pth

3. 获得Grad-CAM热力图，打印出网络结构:–category-index,仅仅包含了类别,不包括背景

python tools/analysis_tools/visualization_cam.py  data/Watermelon87_Semantic_Seg_Mask/img_dir/test/denn-ke-11-7.jpg configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/iter_5000.pth --target-layers backbone.layer4[2].relu --category-index 2 --device cuda:0

 python tools/analysis_tools/visualization_cam.py  data/Watermelon87_Semantic_Seg_Mask/img_dir/test/denn-ke-11-7.jpg configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/iter_5000.pth --target-layers decode_head.sep_bottleneck[1].pointwise_conv.activate --category-index 1 --device cuda:0

4. 画出混淆矩阵

python tools/analysis_tools/confusion_matrix.py configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/test_images work_dirs/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480/confusion_matrix

5. 浏览数据集

python tools/analysis_tools/browse_dataset.py configs/deeplabv3plus/my_deeplabv3plus_r50-d8_4xb4-40k_pascal-context-59-480x480.py

6. 分析日志文件参考同济子豪兄

模型部署

1. MMDeploy-在线模型转换工具
   在线模型转换工具：https://platform.openmmlab.com/deploee
   在线模型测速工具：https://platform.openmmlab.com/deploee/task-profile-list
2. 模型本地部署参考同济子豪兄