Skip to content

Latest commit

 

History

History
222 lines (160 loc) · 7.76 KB

get_started.md

File metadata and controls

222 lines (160 loc) · 7.76 KB
Raw

依赖

  • Linux or macOS (Windows下支持需要 mmcv-full，但运行时可能会有一些问题。)
  • Python 3.6+
  • PyTorch 1.3+
  • CUDA 9.2+ (如果您基于源文件编译 PyTorch, CUDA 9.0也可以使用)
  • GCC 5+
  • MMCV

可编译的 MMSegmentation 和 MMCV 版本如下所示，请对照对应版本安装以避免安装问题。

MMSegmentation 版本 MMCV 版本
master mmcv-full>=1.3.13, <1.5.0
0.20.0 mmcv-full>=1.3.13, <1.5.0
0.19.0 mmcv-full>=1.3.13, <1.4.0
0.18.0 mmcv-full>=1.3.13, <1.4.0
0.17.0 mmcv-full>=1.3.7, <1.4.0
0.16.0 mmcv-full>=1.3.7, <1.4.0
0.15.0 mmcv-full>=1.3.7, <1.4.0
0.14.1 mmcv-full>=1.3.7, <1.4.0
0.14.0 mmcv-full>=1.3.1, <1.4.0
0.13.0 mmcv-full>=1.3.1, <1.4.0
0.12.0 mmcv-full>=1.1.4, <1.4.0
0.11.0 mmcv-full>=1.1.4, <1.3.0
0.10.0 mmcv-full>=1.1.4, <1.3.0
0.9.0 mmcv-full>=1.1.4, <1.3.0
0.8.0 mmcv-full>=1.1.4, <1.2.0
0.7.0 mmcv-full>=1.1.2, <1.2.0
0.6.0 mmcv-full>=1.1.2, <1.2.0

注意: 如果您已经安装好 mmcv， 您首先需要运行 pip uninstall mmcv。 如果 mmcv 和 mmcv-full 同时被安装，会报错 ModuleNotFoundError。

安装

a. 创建一个 conda 虚拟环境并激活它

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

b. 按照官方教程 安装 PyTorch 和 totchvision， 这里我们使用 PyTorch1.6.0 和 CUDA10.1， 您也可以切换至其他版本

conda install pytorch=1.6.0 torchvision cudatoolkit=10.1 -c pytorch

c. 按照 官方教程 安装 MMCV ， mmcv 或 mmcv-full 和 MMSegmentation 均兼容，但对于 CCNet 和 PSANet，mmcv-full 里的 CUDA 运算是必须的

在 Linux 下安装 mmcv：

通过运行

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.5.0/index.html

可以安装好 mmcv-full (PyTorch 1.5 和 CUDA 10.1) 版本。 其他 PyTorch 和 CUDA 版本的 MMCV 安装请参照这里

在 Windows 下安装 mmcv (有风险)：

对于 Windows， MMCV 的安装需要本地 C++ 编译工具， 例如 cl.exe。 请添加编译工具至 %PATH%。

如果您已经在电脑上安装好Windows SDK 和 Visual Studio，cl.exe 的一个典型路径看起来如下：

C:\Program Files (x86)\Microsoft Visual Studio\2019\Professional\VC\Tools\MSVC\14.26.28801\bin\Hostx86\x64

或者您需要从网上下载 cl 编译工具并安装至路径。

随后，从 github 克隆 mmcv 并通过 pip 安装：

git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
pip install -e .

或直接:

pip install mmcv

当前，mmcv-full 并不完全在 windows 上支持。

d. 安装 MMSegmentation

pip install mmsegmentation # 安装最新版本

或者

pip install git+https://github.com/open-mmlab/mmsegmentation.git # 安装 master 分支

此外，如果您想安装 dev 模式的 MMSegmentation, 运行如下命令：

git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e .  # 或者 "python setup.py develop"

注意:

  1. 当在 windows 下训练和测试模型时，请确保路径下所有的'\' 被替换成 '/'， 在 python 代码里可以使用.replace('\\', '/')处理路径的字符串
  2. version+git_hash 也将被保存进 meta 训练模型里，即0.5.0+c415a2e
  3. 当 MMsegmentation 以 dev 模式被安装时，本地对代码的修改将不需要重新安装即可产生作用
  4. 如果您想使用 opencv-python-headless 替换 opencv-python，您可以在安装 MMCV 前安装它
  5. 一些依赖项是可选的。简单的运行 pip install -e . 将仅安装最必要的一些依赖。为了使用可选的依赖项如cityscapessripts， 要么手动使用 pip install -r requirements/optional.txt 安装，要么专门从pip下安装(即 pip install -e .[optional]， 其中选项可设置为 all, tests, build, 和 optional)

完整的安装脚本

Linux

这里便是一个完整安装 MMSegmentation 的脚本，使用 conda 并链接了数据集的路径（以您的数据集路径为 $DATA_ROOT 来安装）。

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

conda install pytorch=1.6.0 torchvision cudatoolkit=10.1 -c pytorch
pip install mmcv-full==latest+torch1.5.0+cu101 -f https://download.openmmlab.com/mmcv/dist/index.html
git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e .  # 或者 "python setup.py develop"

mkdir data
ln -s $DATA_ROOT data

Windows (有风险)

这里便是一个完整安装 MMSegmentation 的脚本，使用 conda 并链接了数据集的路径（以您的数据集路径为 %DATA_ROOT% 来安装）。 注意：它必须是一个绝对路径。

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

conda install pytorch=1.6.0 torchvision cudatoolkit=10.1 -c pytorch
set PATH=full\path\to\your\cpp\compiler;%PATH%
pip install mmcv

git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e .  # 或者 "python setup.py develop"

mklink /D data %DATA_ROOT%

使用多版本 MMSegmentation 进行开发

训练和测试脚本已经修改了 PYTHONPATH 来确保使用当前路径的MMSegmentation。

为了使用当前环境默认安装的 MMSegmentation 而不是正在工作的 MMSegmentation，您可以在那些脚本里移除下面的内容：

PYTHONPATH="$(dirname $0)/..":$PYTHONPATH

验证

为了验证 MMSegmentation 和它所需要的环境是否正确安装，我们可以使用样例 python 代码来初始化一个 segmentor 并推理一张 demo 图像。

from mmseg.apis import inference_segmentor, init_segmentor
import mmcv

config_file = 'configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py'
checkpoint_file = 'checkpoints/pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth'

# 从一个 config 配置文件和 checkpoint 文件里创建分割模型
model = init_segmentor(config_file, checkpoint_file, device='cuda:0')

# 测试一张样例图片并得到结果
img = 'test.jpg'  # 或者 img = mmcv.imread(img), 这将只加载图像一次．
result = inference_segmentor(model, img)
# 在新的窗口里可视化结果
model.show_result(img, result, show=True)
# 或者保存图片文件的可视化结果
# 您可以改变 segmentation map 的不透明度(opacity)，在(0, 1]之间。
model.show_result(img, result, out_file='result.jpg', opacity=0.5)

# 测试一个视频并得到分割结果
video = mmcv.VideoReader('video.mp4')
for frame in video:
   result = inference_segmentor(model, frame)
   model.show_result(frame, result, wait_time=1)

当您完成 MMSegmentation 的安装时，上述代码应该可以成功运行。

我们还提供一个 demo 脚本去可视化单张图片。

python demo/image_demo.py ${IMAGE_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${DEVICE_NAME}] [--palette-thr ${PALETTE}]

样例：

python demo/image_demo.py demo/demo.jpg configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py \
    checkpoints/pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth --device cuda:0 --palette cityscapes

推理的 demo 文档可在此查询：demo/inference_demo.ipynb 。