MMSegmentation 图像分割框架入门指南：安装与运行详解

MMSegmentation 图像分割框架入门指南：安装与运行详解

mmsegmentation OpenMMLab Semantic Segmentation Toolbox and Benchmark. 项目地址: https://gitcode.com/gh_mirrors/mm/mmsegmentation

前言

MMSegmentation 是一个基于 PyTorch 的开源图像分割工具箱，由 OpenMMLab 团队开发和维护。它为语义分割、实例分割等任务提供了统一的算法框架和丰富的预训练模型。本文将详细介绍如何从零开始搭建 MMSegmentation 的开发环境，并验证安装是否成功。

环境准备

在安装 MMSegmentation 之前，需要确保系统满足以下基本要求：

• 操作系统：支持 Linux、Windows 和 macOS
• Python 版本：3.7 及以上
• PyTorch 版本：1.8 及以上
• CUDA 版本：10.2 及以上（如需 GPU 加速）

1. 安装 Miniconda（可选）

对于初学者，建议使用 Miniconda 管理 Python 环境：

1. 下载并安装 Miniconda
2. 创建并激活 conda 环境：

   conda create --name mmseg python=3.8 -y
   conda activate mmseg
   

2. 安装 PyTorch

根据硬件平台选择安装命令：

• GPU 平台：

  conda install pytorch torchvision -c pytorch
  

• CPU 平台：

  conda install pytorch torchvision cpuonly -c pytorch
  

安装 MMSegmentation

推荐按照以下最佳实践进行安装：

1. 安装依赖库

首先安装必要的依赖库：

pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"

2. 安装 MMSegmentation

根据使用场景选择安装方式：

• 开发模式安装（推荐）：

  git clone -b main mmsegmentation
  cd mmsegmentation
  pip install -v -e .
  

  这种安装方式允许直接修改源代码并立即生效。

• 作为第三方库安装：

  pip install "mmsegmentation>=1.0.0"
  

验证安装

安装完成后，可以通过以下方式验证是否安装成功：

1. 下载预训练模型

mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .

2. 运行推理演示

• 命令行方式：

  python demo/image_demo.py demo/demo.png pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth --device cuda:0 --out-file result.jpg
  

• Python API 方式：

  from mmseg.apis import inference_model, init_model, show_result_pyplot
  
  config_file = 'pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py'
  checkpoint_file = 'pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth'
  
  model = init_model(config_file, checkpoint_file, device='cuda:0')
  result = inference_model(model, 'demo/demo.png')
  show_result_pyplot(model, 'demo/demo.png', result, out_file='result.jpg')
  

成功运行后会生成分割结果图像 result.jpg。

高级安装选项

1. CUDA 版本选择

• Ampere 架构 GPU（如 RTX 30 系列）：推荐 CUDA 11
• 较旧 GPU：CUDA 10.2 兼容性更好

2. 不使用 MIM 安装 MMCV

可以手动指定 MMCV 版本：

pip install mmcv==2.0.0 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10/index.html

3. CPU 专用安装

MMSegmentation 支持纯 CPU 环境下的训练和推理：

pip install mmsegmentation --no-deps  # 跳过 GPU 相关依赖

4. Docker 安装

提供官方 Docker 镜像支持：

docker build -t mmsegmentation docker/
docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/mmsegmentation/data mmsegmentation

可选依赖

GDAL 支持

处理遥感图像时建议安装：

conda install GDAL

常见问题排查

如果安装过程中遇到问题，可以：

1. 检查 FAQ 文档
2. 确认 PyTorch 和 CUDA 版本匹配
3. 确保所有依赖库版本兼容

通过以上步骤，您应该已经成功搭建了 MMSegmentation 的开发环境。接下来可以开始探索框架提供的各种分割算法和功能。

mmsegmentation OpenMMLab Semantic Segmentation Toolbox and Benchmark. 项目地址: https://gitcode.com/gh_mirrors/mm/mmsegmentation