图像分割之--mmsegmentation使用

原创

已于 2022-09-05 00:22:19 修改 · 2.9k 阅读

32 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #python

于 2022-09-05 00:15:51 首次发布

本文指导如何在Python环境中搭建mmsegmentation框架，包括创建虚拟环境、数据集标注、模型训练及测试，重点介绍了使用LabelMe工具、数据转换和配置调整。

1、构建环境

参考mmsegmentation使用说明：

创建虚拟环境
conda create -n mmsegmentation python=3.8 
进入虚拟环境
conda activate mmsegmentation
安装torch/torchvision
conda install pytorch torchvision -c pytorch 
安装mim
pip install -U openmim
安装mmcv-full ## 注意本地环境的cuda与mmcv-full的版本对应
mim install mmcv-full
linux安装有git+网络畅通，可以直接下载mmsegmentation
git clone -b [version] https://github.com/open-mmlab/mmsegmentation.git
or 没网的情况 则下载对应的.zip包进行解压
进入mmsegmentation
cd mmsegmentation
pip install -v -e.  or python setup.py develop
如果缺陷包，可以安装requirement.txt里面的对应包
pip install -r requirement.txt

按照上述步骤可搭建完成mmsegmentation的conda基础环境

2、制作数据集

搭建labelme环境并标注数据

pip install labelme
然后直接运行labelme
labelme

可以看到如下消息以及对应窗口
在这里插入图片描述

按照标记点的方式，标记出对应的object,并给与不同的label（盗个别人的美女图）

使用labelme源码中的labelme2voc.py进行数据转换
（1）新建labels.txt，并在其中添加你的类别，如下，我只有一个类别line ，默认需要添加__ignore__以及_background_两个默认类别

（2）准备如下源码

from __future__ import print_function

import argparse
import glob
import os
import os.path as osp
import sys

import imgviz
import numpy as np

import labelme


def main():
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter
    )
    parser.add_argument("input_dir", help="input annotated directory")
    parser.add_argument("output_dir", help="output dataset directory")
    parser.add_argument("--labels", help="labels file", required=True)
    parser.add_argument(
        "--noviz", help="no visualizati