- 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
。
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:
- 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 version+git_hash
也将被保存进 meta 训练模型里,即0.5.0+c415a2e- 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 - 如果您想使用
opencv-python-headless
替换opencv-python
,您可以在安装 MMCV 前安装它 - 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
)
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 $DATA_ROOT data
这里便是一个完整安装 MMSegmentation 的脚本,使用 conda 并链接了数据集的路径(以您的数据集路径为 %DATA_ROOT% 来安装)。 注意:它必须是一个绝对路径。
conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab
conda install pytorch=1.6.0 torchvision cudatoolkit=10.1 -c pytorch
set PATH=full\path\to\your\cpp\compiler;%PATH%
pip install mmcv
git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e . # 或者 "python setup.py develop"
mklink /D data %DATA_ROOT%
训练和测试脚本已经修改了 PYTHONPATH
来确保使用当前路径的MMSegmentation。
为了使用当前环境默认安装的 MMSegmentation 而不是正在工作的 MMSegmentation,您可以在那些脚本里移除下面的内容:
PYTHONPATH="$(dirname $0)/..":$PYTHONPATH
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 。