mmsegmentation教程1:自定义数据集、config文件修改、训练教程

mmsegmentation自定义数据集训练实战:配置、避坑与调优 语义分割是计算机视觉中的核心任务之一,广泛应用于遥感分析、医疗影像、工业质检等场景。其技术原理基于对图像每个像素进行分类,通过深度卷积网络提取多尺度特征,并借助解码器恢复空间分辨率。在实际工程中,高效的数据组织与模型配置往往比模型结构本身更影响最终效果。mmsegmentation作为OpenMMLab系列中成熟的语义分割工具箱,提供了标准化的数据接口、灵活的配置继承机制以及丰富的预训练模型,能够显著降低算法落地门槛。然而,从原始标注到成功训练,研究者常遇到标注像素值异常、类别映射错误、显存不足、过拟合等实 阅读详情
AI摘要

本文详细介绍了如何使用OpenLab的mmsegmentation框架进行语义分割任务。首先,需要将数据集转换为框架要求的格式,并在mmseg/datasets下定义新的数据集类。接着,在configs/base/datasets中配置数据加载。然后,选择模型参数并在configs目录下修改。最后,在tools/train.py中指定训练设置并开始训练。整个过程涉及数据集格式调整、数据加载配置、模型参数修改和训练启动。

简介

mmsegmentation作为OpenLab重要的开源分割训练框架,统一了之前大家各写个的训练网络,导致很多工作无法复现。并且每次大家下载开源项目一打开项目,要面对各种千奇百怪的风格的代码,每次都要花费时间去适应,降低工作效率。

OpenLab的mmsegmentation统一了训练分割框架代码,把重要部分全面模块化,只要按照API,就可以很轻松的添加自己的工作,个人是很喜欢OpenLab的mm系列的。

但是OpenLab的工作给适应了之前千奇百怪代码的朋友们一定的难度,OpenLab的代码风格一打开,如果代码能力不是特别强的话,肯定是懵逼状态的。

其实mm系列需要修改的地方挺少的,以mmsegmentation为例,你要是想成功跑起来,只需要修改以下几个地方:

1、在mmseg/datasets下面对数据集进行初始定义
2、在configs/base/datasets下面对数据加载进行定义
3、在configs/下面选择你需要的模型参数进行修改
4、返回tools/train.py进行训练

其他的mmclassfication和mmdetection的修改方式也是相似的,下面进行具体讲解

下载和基础环境安装

下载

https://github.com/open-mmlab/mmsegmentation

打不开的话就用下面这个(我下的是这个)

https://gitee.com/monkeycc/mmsegmentation

我使用实验室的Ubuntu环境,所以只需要下一个mmcv-full

pip install mmcv-full

ps:我下的这个包下面要求mmcv-full在1.3.13到1.5.0之间

在mmseg/datasets下面对数据集进行初始定义

由于自身水平有限,没法根据自己数据集原有的格式去修改框架中数据集读取方式,所以只能按照框架中规定的数据格式去更改自己数据集的格式:

  1. 按照官方给的文档,先把自己的数据集改成官方存放数据集格式

    ├── data
    │   ├── my_dataset
    │   │   ├── img_dir
    │   │   │   ├── train
    │   │   │   │   ├── xxx{
         
         img_suffix}
    │   │   │   │   ├── yyy{
         
         img_suffix}
    │   │   │   │   ├── zzz{
         
         img_suffix}
    │   │   │   ├── val
    │   │   ├── ann_dir
    │   │   │   ├── train
    │   │   │   │   ├── xxx{
         
         seg_map_suffix}
    │   │   │   │   ├── yyy{
         
         seg_map_suffix}
    │   │   │   │   ├── zzz{
         
         seg_map_suffix}
    │   │   │   ├── val
    

    img_dir中全部存在原图
    ann_dir中全部存放mask

  2. dataset class文件配置;
    在mmseg/datasets/目录下找到stare.py文件
    在这里插入图片描述
    复制一份stare.py并粘贴在mmseg/datasets/目录下,重命名为my_dataset.py,打开my_dataset.py
    在这里插入图片描述
    你需要修改标红的三个地方
    STAREDataset:表示你定义的数据的名字,顺便取一个名字即可
    CLASSES:表示你数据集的背景+类别
    PALETTE :表示你数据集各类别的像素值
    img_suffix:原图图像后缀
    seg_map_suffix:mask图像后缀
    比如我的数据集就需要修改为以下内容

    # Copyright (c) OpenMMLab. All rights reserved.
    import os.path as osp
    
    from .builder import DATASETS
    from .custom import CustomDataset
    
    
    @DATASETS.register_module()
    class MyDataset(CustomDataset):
        """DRIVE dataset.
    
        In segmentation map annotation for DRIVE, 0 stands for background, which is
        included in 2 categories. ``reduce_zero_label`` is fixed to False. The
        ``img_suffix`` is fixed to '.png' and ``seg_map_suffix`` is fixed to
        '_manual1.png'.
        """
    
        CLASSES = ('background', 'egc')
    
        PALETTE = [[0, 0, 0], [255, 255, 255]]
    
        def __init__(self, **kwargs):
            super(MyDataset, self).__init__(
                img_suffix='.jpg',
                seg_map_suffix='.png',
                reduce_zero_label=False,
                **kwargs)
            assert osp.exists(self.img_dir)
    
    

    PALETTE好像是调色板,我随便更改里面的数值发现对训练没啥影响,翻了一下其他大佬的回答,这个好像是训练完后进行测试后的结果保存,mmseg默认为把分割出来的mask结果直接画在原图上进行显示,PALETTE好像指定了画上原图的mask蒙版的颜色。

    PS:mmseg要求mask的像素在[0,num_classes-1]范围内,比如我是2分类,背景像素值为0,那么目标像素值应该为1。如果你也是二分类,mask为单通道(8 bit)二值化的0(背景)/255(目标)图像的话,先去把图像改为0(背景)/1(目标)图像,否则能跑起来,但是指标异常,几乎全是0。(这是个大坑!!!一定要注意)

    修改mmseg/datasets/目录下的_init_.py
    在这里插入图片描述
    把图中标红的加到原_init_.py中

在configs/_ base _/datasets下面对数据加载进行定义

在configs/__ base __/datasets/目录下找到stare.py文件,复制一份重命名为my_dataset.py。进行修改

# dataset settings
dataset_type = 'MyDataset' #上一步中你定义的数据集的名字
data_root = '/data/egc224mmsegStyle' #数据集存储路径
img_norm_cfg 
mmsegmentation 训练自制数据集全过程 mmsegmentation训练自己的数据集,环境配置,数据集制作,训练,预测全过程 阅读详情

相关推荐

【Python】mmSegmentation语义分割框架教程(0.x版本)

mmSegmentation开源语义分割框架详细入门教程,含自定义数据集、模型选择、训练参数设定等

体会编程语言独到的美 3万+

二、MMsegmentation 配置教程+训练教程+模型测试( 服务器)

时间: 2022年4月8日 内容:训练 MM Segmentation 中的deeplabv3 深度神经网络 如果想要系统的学习,可以参考官方文档: https://mmsegmentation.readthedocs.io/en/latest/get_started.html#installation 但是我理解力有限感觉不太详细。 基础的配置和介绍可以看我的上一篇博客,这篇讲一下训练。 1 试错 首先我也是在网上参考的教程: https://zhuanlan.zhihu.com/p/3930705

qq_43507388的博客 2万+

mmsegmentation避坑指南:自定义数据集格式转换与config文件修改全流程

本文详细介绍了mmsegmentation框架中自定义数据集的格式转换与config文件修改全流程,帮助开发者避免常见陷阱。从环境配置、数据集标准化到模型训练优化,提供了一套完整的避坑指南,特别针对自定义数据集处理和配置文件调整给出了实用解决方案。

weixin_29306571的博客 177

MiniMaxH3+ComfyUI本地部署:一键整合包、工作流搭建与报错排查

本地部署视频生成模型时,模型权重、推理框架与自定义节点的匹配是核心挑战。MiniMaxH3作为多模态生成模型,通常依赖ComfyUI这类节点式工作流引擎实现可视化调度。一键整合包将Python环境、PyTorch算子、模型文件预置封装,大幅降低部署门槛,并通过半精度加载、显存碎片回收等机制优化推理速度。在文生视频、图生视频与批量生成场景中,清晰的节点链路和参数调优能力直接影响输出质量与显存占用。针对模型不识别、节点执行失败等高频问题,系统排查命令行日志与模型目录可快速定位故障。本文以MiniMaxH3整合包

weixin_29047545的博客 597

LM Studio Bionic:本地AI智能体从部署到实战完整指南

AI智能体作为能够自主规划、执行多步任务的人工智能系统,其核心原理在于结合大语言模型的推理能力与工具调用机制。通过状态保持和任务分解算法,智能体实现了从单次问答到持续协作的技术跃迁。在工程实践中,这种架构显著降低了复杂任务自动化的门槛,特别适用于数据敏感场景和定制化需求。以Tesla V100等专业硬件为例,本地部署能充分发挥其大显存优势,支持更高精度的模型量化格式。在实际应用层面,智能体可无缝集成到代码审查、文档生成等开发工作流中,而LM Studio Bionic通过统一界面整合了模型服务、任务规划器等

weixin_29053695的博客 689

SAP Ariba Procurement_Catalogs

SAP Ariba Procurement_Catalogs Search Functionality PunchOut Catalogs Spot Buy catalog

CZxx1的博客 1019

win11下的MySQL安装

目前官方最新版本是8.0.26,考虑到其稳定性、可靠性还需一定周期保证,所以使用官方版求稳定仍然建议5.7系列。3、选择MySQL Servers 5.7.38 -x64,然后按绿色箭头将选中的版本移植到右边选中框中。4、点击下方蓝色Advanced Options,选择安装位置。1、在开始界面搜索MySQL,点击command line。4、在“系统变量”中选择“path”,点击编辑。5、新建——>增加MySQL路径——>确定,12、execute,安装好后next。9、不需要做修改,直接点击next。.

rensweet的博客 2万+

把 SAP 配置当成一张地图:用 IMG 把实施、变更与治理串成一条清晰的路

摘要 SAP IMG(Implementation Guide)是SAP实施的核心导航体系,它将客户需求转化为系统配置,提供结构化路径和文档化支持。IMG不是简单的菜单树,而是包含业务落地路径、标准化配置活动和文档化知识的实施语言。通过三种视图(Reference、Enterprise、Project)解决不同管理问题,其中Project IMG尤其重要,可管理项目范围、分工和进度。实际工作中应通过SPRO事务码访问IMG,将探索与执行分开管理。案例显示,跨国企业通过Project IMG可有效控制组织架构

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 236

一周一个Unity小游戏2D反弹球游戏 - 球反弹的方向

本文将实现当球在球板上反弹时,会根据球板移动的方向来给球施加反弹的力,例如当球板往左移动时反弹球,则球应向左上方反弹,若球板往右移动时反弹球,则球应向右上方反弹。

Giver的博客 754

在 SAP 中实现“租赁资产”管理,核心是把 IFRS16/ASC842 等新租赁准则的要求落地到系统

摘要:本文详细介绍了在SAP S/4HANA系统中实现IFRS16/ASC842租赁准则的具体操作流程。主要内容包括:1) 系统前置配置,如激活租赁会计组件、定义租赁类型和会计科目;2) 租赁合同创建与主数据维护;3) 初始确认的会计处理;4) 日常折旧计提和租金支付流程;5) 合同变更与终止管理。通过RE-FX-LM模块与固定资产模块的集成,系统可自动生成使用权资产和租赁负债,支持从合同创建到报表披露的全生命周期管理,确保符合新租赁准则要求。

金牌架构师 991

threadX的USBX的初始化和解初始化的分析。

tx_application_define的最后会使用tx_byte_pool_create创建usb线程的内存空间“ux_device_app_byte_pool”,再创建usb线程,也就是执行。主要就是创建了线程,也就是第3个参数app_ux_device_thread_entry,这个参数内是MX_USB_Device_Init,也就是USB底层初始化。进来的参数只有1个,是memory_ptr,这个就是创建的usb线程空间“ux_device_app_byte_pool”

qq_31885403的博客 648

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

下一篇: The program ‘pip‘ is currently not installed与Command “python setup.py egg_info“ failed with error...
AESA相控阵
博客等级 码龄8年 96粉丝 18原创
评论 47
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址