使用mmsegmentation训练自己的模型

原创

已于 2022-04-23 15:20:02 修改 · 7.6k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #计算机视觉 #python

于 2022-04-18 14:44:37 首次发布

本文介绍了如何使用mmsegmentation库训练自己的语义分割模型，包括数据准备、环境配置、修改config文件以适应自定义数据集，以及训练和推理的流程。针对类别数和数据路径的调整进行了详细说明。

1. 学习前言

mmsegmentation是一个基于ptorch的语义分割代码库，其中复现了众多先进的分割模型。由于代码风格统一，功能齐全，我打算用mmseg来跑对比实验。

本文使用mmseg中的segmenter模型来运行自己的数据集。自定义的数据集包含背景有8类(7类目标+1类背景），RGB图，图像大小不定，按照ade20k的数据样式排列。

全文只涉及跑segmenter的最小单元，仅适合入门。我理解错误的地方，还请大家能多多指正。

PS：我跑出来的效果并不好，这大概就是生搬硬套的代价吧

2. 数据准备

首先要模仿ade20k存放数据的风格来规划自己的数据集。
ade20k中图像是jpg格式，ground truth是png格式。存放结构如下图所示， ade20k和ADEChallengeData2016这些名字可以改成自己数据集的名，比如我的就叫tiger和tiger_roi

ade20k/
	|ADEChallengeData2016/
	|				|annotations/				
	|				|		|training/							
	|				|		|validation/						
	|				|images/										
	|				|		|training/					
	|   		 	| 	    |validation/

自定义数据：

tiger/
	|tiger_roi/
	|		|annotations/				
	|		|		|training/							
	|		|		|validation/						
	|		|images/

最低0.47元/天解锁文章