mmsegmentation进阶使用学习笔记（二）——添加自定义模块

最新推荐文章于 2025-11-05 09:15:29 发布

原创

最新推荐文章于 2025-11-05 09:15:29 发布 · 1.1k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #笔记

一、开发新组件

1、添加新的主干网络（backbone）

所有组件，包括主干网络（backbone）、头、损失函数、数据预处理器、分割器（segmentor）等都可以自定义。

（1）添加主干网络

主干网络在深度学习模型中主要负责特征提取、生成多尺度特征表示。在语义分割中就对了编码器。

Step1：创建新的文件mmseg/models/backbones/gleformer.py

根据自己所需要的模型搭建backbone，我设计的并行编码器需要参考mit.py和unet.py

Step2：在mmseg/models/backbones/__init__.py 中引入模块

Step3：在配置文件中使用它

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

还会长的桔子

关注关注

6
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

MMSeg搭建自己的网络

littleyy666的博客

04-24

2057

首先，我们知道MMSeg矿机的配置文件很多，主要结构如下图所示。在configs/_base_下是模型配置、数据集配置、以及一些其他的常规配置和运行配置，四类。configs/all_config目录下存放，即是将四种配置聚合在一起的一个总体文件。接下来，我们就搭建自己的网络。

mmsegmentationV1.0训练分割模型（自定义数据格式和config）

女神sha手的博客

07-13

1195

MMSegmentation 保持了 MM 系列一贯的风格，拥有灵活的模块化设计和全面的高性能model zoo。目前我们支持非常多的主流backbone和语义分割算法，支持多种数据集如 Cityscapes，ADE20K，Pascal VOC 2012上的训练结果（目前应该是语义分割中最大的模型库）。

参与评论您还未登录，请先登录后发表或查看评论

MMSegmentation项目自定义模型开发指南

gitblog_00694的博客

06-04

421

MMSegmentation项目自定义模型开发指南【免费下载链接】mmsegmentation OpenMMLab Semantic Segmentation Toolbox and Benchmark. 项目地址: https...

【mmseg·1】mmseg调试用自己数据训练

qq_31486717的博客

12-20

1828

mmseg用自己数据调试

【ICLR26匿名投稿】MMSeg：让“图像提示分割”更聪明——多模态、多视角驱动的无训练分割新范式

最新发布

Gorgeous_wxd

11-05

640

最终得到一组多模态融合的提示点（positive/negative prompts），输入 SAM 进行掩码生成。让图像提示分割从“单模态模糊”走向“多模态精准”，在完全无训练条件下，实现可与训练模型媲美的分割性能。带来了“零样本分割”的浪潮——输入一个提示点或文字，就能切出物体边界。通过“视觉 + 文本”两条独立分支定位目标，再用多视角增强和共识优化生成高质量分割。—— 视觉-only 方法易错分，文字-only 方法又受语义歧义困扰。：通过旋转、翻转等生成多种视角图像，融合匹配结果提升稳健性。

mmseg库代码实践

m0_54824511的博客

06-14

914

本节课程是子豪兄倾心讲解，太棒啦~！每次听子豪兄的讲课都觉得很清晰，对于入门同学很友好。

mmseg解析

qq_32425195的博客

12-02

2749

官方文档 getting_started.md：如何test a model: 如何train a model: python tools/train.py ${CONFIG_FILE} [optional arguments] train 1.模型构建 model = build_segmentor( cfg.model, train_cfg=cfg.train_cfg, test_cfg=cfg.test_cfg) build_from_cfg(cfg_, registry, default_arg

【mmsegmentation】Backbone模块（进阶）自定义自己的BACKBONE

m0_51579041的博客

10-02

555

mmsegmentation 自定义自己的BACKBONE

MMsegmentation

qq_36852840的博客

06-14

466

MMSegmentation 是一个基于 PyTorch 的语义分割开源工具箱。它是 OpenMMLab 项目的一部分。

mmsegmentation进阶使用学习笔记（一）——添加自定义数据集

gui_lin_ger_的博客

10-15

1197

该配置文件中包含了数据集类型和根目录、数据增强和处理流水线、数据加载器（train_dataloader、val_dataloader、test_dataloader）、评估器（val_evaluator 和 test_evaluator）super().__init__(...)中调用基类的初始化方法，传递必要的参数。这里只需要在voc.py中把第二个类别名称改为道路类别，把对应颜色改为白色，不需要管其他类别，因为在道路提取时只分为两个类。还需要在同目录的_init_.py文件中补充导入。

mmsegmentation进阶使用学习笔记（三）——配置运行设定

gui_lin_ger_的博客

10-31

1298

dynamic_intervals: Optional[List[Tuple[int, int]]] = None) -> None: # 个可选的里程碑列表，每个里程碑（元组）包含一个轮次和一个间隔，用于在达到该轮次后更改验证频率。循环控制器指的是训练, 验证和测试时的执行流程, 在配置文件里面使用 train_cfg, val_cfg 和 test_cfg 来构建这些流程。max_epochs: int, # 训练的总轮次数。在使用时，就需要更改训练设置的配置，不同的类需要传入的参数不同。

精选资源

【Mybatis-Plus学习笔记二】——Mybatis-Plus进阶使用.zip

06-09

【Mybatis-Plus学习笔记二】——Mybatis-Plus进阶使用.zip 博客地址：https://blog.youkuaiyun.com/weixin_43817709/article/details/117751784

【MicroPython学习笔记】02 添加自定义模块（使用C语言实现）

Slade99X的博客

03-05

4041

系列文章目录【MicroPython学习笔记】01 使用块设备文章目录系列文章目录前言一、FFT是什么？二、使用步骤 1.引入库 2.读入数据总结前言在使用MicroPython的过程中，我们可以通过import导入各种各样的库，非常的方便。但有的时候我们想要使用的功能在这些库中找不到，又或者是某些功能因MicroPython的性能受限，这个时候就需要为MicroPython固件添加自定义模块了。这篇博文要实现的目标就是使用...

openmmlab教程3-MMSeg 使用

wujing1_1的博客

09-01

6105

Args:Examples:""" return _no_grad_trunc_normal_(tensor , mean , std , a , b) ############################################ # backbone 部分 class Attention(nn . Module) : def __init__(self , dim , head , sr_ratio) : """注意力头:param dim: 输入维度。...

MMseg安装与使用记录

qq_48097205的博客

03-12

2303

注意：MMSegmentation 可以在 Linux, Windows 和 macOS 系统上运行，并且需要安装 Python 3.7+, CUDA 10.2+ 和 PyTorch 1.8+。打开cmd,输入下面的指令，就可以看cuda版本号了。路径+选择环境变量自动添加。使用最佳实践0和1的a步骤。6、运行setup.py报错。1、pycharm下载。（1）查看cuda型号。（2）官网查找对应版本。

【mmSegmentation】解耦语义分割模型，逐部分理解模型的构成与作用；规范开发和测试标准，增加模型的可复现性；让语义分割模型落地更稳

白水空空

06-13

6220

MMSeg 作为全新的语义分割框架，和其他的框架相比，它提供了更强更快的主流算法，统一超参的公平比较，附带丰富的配置文件和五花八门的 tricks，而且非常灵活易于拓展。在所有的提供的模型和配置文件，没有增加额外的训练 tricks，MMSeg 提供非常丰富的配置文件，这些配置文件整合了各种比较常见的训练 setting，以PSPNet 在 Cityscapes 数据集为例，我们提供了多种不同配置的 PSPNet，报告了速度，显存占用，单尺度/多尺度精度等指标，并提供模型以及实验记录供用户直接下载使用。

MMsegmentation教程 4: 自定义模型

yanqianglifei的专栏

01-20

6100

自定义优化器 (optimizer) 假设您想增加一个新的叫 MyOptimizer 的优化器，它的参数分别为 a, b, 和 c。您首先需要在一个文件里实现这个新的优化器，例如在 mmseg/core/optimizer/my_optimizer.py 里面： from mmcv.runner import OPTIMIZERS from torch.optim import Optimize...

mmseg学习day01

weixin_45761399的博客

07-10

785

在 MMSegmentation 中，提供了最方便的方式 MMSegInferencer 来使用模型。只需 3 行代码就可以获得图像的分割掩膜。_base_/datasets/cityscapes.py是数据集的基本配置文件。以下示例展示了如何使用 MMSegInferencer 对单个图像执行推理。4）PSPNET举例。

mmseg 环境配置

菜鸟变大鸟的博客

12-11

767

【代码】mmseg 环境配置。