部署segman在linux服务器cuda11.8

1. 在永丰服务器上部署环境

1️⃣ 在 /data 下准备目录

mkdir -p /data/ccsun cd /data/ccsun

---

2️⃣ 下载并安装 Miniconda（不碰 /）

wget https://repo.anaconda.com/miniconda/Miniconda3-py38_4.12.0-Linux-x86_64.sh

bash Miniconda3-py38_4.12.0-Linux-x86_64.sh

当安装器问你：

Miniconda3 will now be installed into this location:

👉 一定要手动输入：

/data/ccsun/miniconda3

⚠️ 不要用默认路径（默认会去 $HOME，很可能在 /）

---

3️⃣ 初始化 conda（仅对你自己）

/data/ccsun/miniconda3/bin/conda init source ~/.bashrc

验证：

which conda

应该看到：

/data/ccsun/miniconda3/bin/conda

2、pip 也要确认写到 /data（很关键）

1️⃣ 确认 pip 路径

which pip

应该是：

/data/ccsun/miniconda3/envs/segman/bin/pip

如果不是，不要继续安装。

---

2️⃣ pip 安装 segman 相关依赖（安全）

pip install --no-cache-dir torch torchvision pip install --no-cache-dir mmcv-full pip install --no-cache-dir mmsegmentation

--no-cache-dir 的作用是：

• 避免 pip 把缓存写到 ~/.cache（通常在 /）

✅ Step 1：强制把 NumPy 降级到 1.x（必须）

推荐版本：1.26.4（最稳）

pip uninstall -y numpy pip install numpy==1.26.4 \ --no-cache-dir \ -i https://pypi.org/simple

验证：

python - << 'EOF' import numpy print(numpy.__version__) EOF

应输出：

1.26.4

3️⃣ 用命令行参数强制覆盖清华源（关键）

⚠️ 注意：这一步必须写完整

pip install torch==2.1.2 torchvision==0.16.2 \ --no-cache-dir \ --index-url https://pypi.org/simple \ --extra-index-url https://download.pytorch.org/whl/cu118

后续所有安装都照这个模板（非常重要）

openmim

pip install -U openmim \ --no-cache-dir \ --index-url https://pypi.org/simple

---

mmcv-full

mim install mmcv-full \ --index-url https://pypi.org/simple \ --extra-index-url https://download.openmmlab.com/mmcv/dist/cu118/torch2.1

---

natten

pip install natten==0.17.3+torch210cu118 \ --no-cache-dir \ --index-url https://pypi.org/simple \ --extra-index-url https://natten-wheel.s3.amazonaws.com

3. 当网络不好时，强制使用清华源创建conda环境

conda create -n segman python=3.10 \
  -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main \
  --override-channels

conda activate segman

安装torch2.1.2+cuda11.8

如果服务器无法连接外网，登录，download.pytorch.org/whl/torch_stable.html

找到/cu118/ 里面的的 _Linux_x86_64 .whl

torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2下载下来

进入你上传的目录cd后挨个安装：

pip install torch-2.1.2+cu118-cp310-cp310-linux_x86_64.whl

pip install -U openmim
mim install mmcv-full 
或者是/ mim install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1.2/index.html

pip install -v -e .

安装Natten

可以在任意一台能正常访问外网的电脑（Windows/macOS/Linux 都可以）手动下载 .whl 文件。浏览器直接下载（最简单）

复制链接，直接粘贴进浏览器地址栏：

natten Index of packages:   https://shi-labs.com/natten/wheels/

https://shi-labs.com/natten/wheels/cu118/torch2.1.0/natten-0.17.3%2Btorch210cu118-cp310-cp310-linux_x86_64.whl

浏览器会自动下载 .whl 文件（虽然打开是乱码，但下载下来是对的）。

如果浏览器直接显示乱码，不触发下载：右键 → 另存为 → 保存为 .whl。

上传完成后，在服务器安装，进入你上传的目录cd后安装：

pip install natten-0.17.3+torch210cu118-cp310-cp310-linux_x86_64.whl

To support torch>=2.1.0, you also need to import from packaging import version and replace Line 75 of /miniconda3/envs/segman/lib/python3.10/site-packages/mmcv/parallel/_functions.py with the following:

if version.parse(torch.__version__) >= version.parse('2.1.0'):
    streams = [_get_stream(torch.device("cuda", device)) for device in target_gpus]
else:
    streams = [_get_stream(device) for device in target_gpus]

cd kernels/selective_scan && pip install . --no-build-isolation

cd至项目目录

pip install -r requirements.txt

二、

1.3.1修改数据集配置
（1）在mmseg/datasets目录下找到postdam.py，这是对应于postdam数据集的类文件，直接将其复制一份，新命名为mydataset.py或者其他名字（我这里是ganzhe_dataset.py）

在ganzhe_dataset.py中修改类名、分类信息、数据集图片后缀、是否忽略0标签这四个地方，由于我的数据集只需要对背景和甘蔗这两个类别进行分割，所以只需要写两个类即可。不同的数据集对应着不同的类，要修改的地方都是大同小异，针对postdam这个数据类会配置以后就可以举一反三。

注意：是否忽略0标签（reduce_zero_label）这个参数，该参数设置为true后，数值为0的标签（通常设置为背景类）不会参与loss计算，由于我的数据集就只有两个类别，所以我默认还是计算背景损失的

（2）将自己新建的ganzhe_dataset.py进行注册，通俗的讲就是修改mmseg/datasets/_init_.py这个文件，只需要将对应的py文件import一下，并在数据集支持列表中添加自己新建的数据集类即可，即新增红色框圈起来的两个位置：

（3）在configs/_base_/datasets文件夹下新建一个数据集配置文件（.py），方法也是先找到postdam.py这个文件直接复制粘贴，然后重命名为ganzhe_dataset.py，并修改相关的配置信息，包括数据集的位置、数据增强方法等信息，这里我主要修改数据集的位置信息，其他参数默认不变，还是那句话，不同的数据集配置文件可能配置信息有差异，但是都是大同小异，学会一个后举一反三。

————————————————
版权声明：本文为优快云博主「小白一只~」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/weixin_56911377/article/details/133350567

conda activate segman

cd /storage_server/disk5/sunchenxi/SegMAN-main/segmentation/

二、训练

多卡训练（失败）

CUDA_VISIBLE_DEVICES=1,2,3 bash tools/dist_train.sh local_configs/segman/base/segman_b_daye.py 3 --work-dir outputs/daye_v6

bash tools/dist_train.sh local_configs/segman/base/segman_b_ade.py 2 --work-dir outputs/daye_v6

单卡训练

python tools/train.py local_configs/segman/base/segman_b_daye.py --work-dir outputs/daye_v6

tools / train.py

# cfg.gpu_ids = args.gpu_ids[0:1]
cfg.gpu_ids = [torch.device(f'cuda:{i}') for i in cfg.gpu_ids]

三、训练策略

12.18

adam，160k Iterations，test: whole, loss:nan

后续策略可做调整：

✅ 必须做（否则容易 NaN）

loss_decode=dict( type='CrossEntropyLoss', ignore_index=255 )

---

✅ 强烈建议

cat_max_ratio=0.95

---

✅ 针对“小目标 + 类不平衡”的下一步（不是现在必须）

等你 loss 正常后，可以考虑：

• class_weight（给 D / DS 更高权重）

• 或换 OHEM / FocalLoss

但 现在不要加，否则你排错会更难。

• 根据你 6 类夹杂的真实比例，直接算一组 class_weight

• 或帮你设计一套 “专门压 D / DS 类漏检”的 loss 组合

• 或帮你对比 SegMAN vs MaskFormer 在你任务上的结构性优劣

四、环境验证（必做）

1. 检查 torch + CUDA：

python - << 'EOF'

import torch

print("torch version:", torch.__version__)

print("CUDA available:", torch.cuda.is_available())

EOF

1. 检查 mmcv-full CUDA 功能：

python - << 'EOF'

from mmcv.ops import get_compiling_cuda_version, get_compiler_version

print("CUDA version:", get_compiling_cuda_version())

EOF

1. 检查 mmseg：

python - << 'EOF'

from mmseg.apis import init_segmentor

print("mmseg import ok")

EOF

1. 检查 natten：

python - << 'EOF'

import natten

print("natten import ok")

EOF

1. 检查 Selective Scan：

python - << 'EOF'

from selective_scan import some_module_name # 替换为实际模块

print("Selective Scan OK")

EOF

---

四、注意事项

1. NumPy 必须 <2.0，否则 mmcv / mmseg / natten 都会报错

   pip install "numpy<2" --no-cache-dir

2. TMPDIR / PIP_CACHE_DIR 指向 /data，避免 / 分区爆满

3. 不要升级 mmcv / mmseg / torch / numpy，保持组合一致