MMSegmentation 完整教程30 分钟跑通语义分割的推理、训练与评估【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentationMMSegmentation 是 OpenMMLab 出品的 PyTorch 语义分割工具包与基准测试平台覆盖数据准备、模型训练、mIoU 评估三大环节并提供 PSPNet、DeepLabV3、SegFormer 等开箱即用的预训练模型。这篇上手指南按真实使用路径带你走完全流程装通环境 → 验证安装 → 跑推理 → 训练与评估 → 按需求挑模型 → 踩坑自救全程约 30 分钟。为什么把 MMSegmentation 放进你的工具箱先算一笔账从零搭语义分割你要自己写数据管线、训练循环和评估指标再对着论文图复现网络结构一个模型至少耗掉一周。MMSegmentation 把这件事变成改配置文件的活你省掉的是整个基建统一的基准平台众多分割算法跑在同一套代码、同一套训练协议下性能对比直接且公平。模块化设计框架解耦为主干encoder、解码器、分割头等独立模块换算法只需换模块训练管线不用动。即插即用的算法库PSPNet、DeepLabV3、DeepLabV3、SegFormer、Mask2Former 等均有现成配置与预训练权重。高效的训练速度与其他语义分割代码库相比更快或持平省下的算力时间都是收益。语义分割到底输出什么两张图说清楚。输入就是一张普通照片模型输出像素级掩膜——每个像素归属一个类别完整数据流如下图像先经 encoder 提特征再由 decoder 与分割头产出像素级预测。正因为模块间边界清晰项目才能像积木一样自由拼装想深入理解整体设计读官方文档docs/zh_cn/overview.md。5 分钟装好 MMSegmentationconda 环境、MIM 与两种安装方式版本基线先对齐Linux / Windows / macOS 均可运行环境要求Python 3.7CUDA 10.2用 GPU 时PyTorch 1.8建 conda 环境并装 PyTorchconda create --name openmmlab python3.8 -y conda activate openmmlab # GPU 平台 conda install pytorch torchvision -c pytorch # CPU 平台改用 cpuonly # conda install pytorch torchvision cpuonly -c pytorch用 MIM 一键搞定 MMEngine 与 MMCVMMCV 带 C/CUDA 扩展手动对 PyTorch 版本很容易翻车。用 MIM 装依赖自动解析pip install -U openmim mim install mmengine mim install mmcv2.0.0源码或 pip装 MMSegmentation 的两条路⚡ 要改代码、跑开发就选源码安装可编辑模式让改动即时生效git clone -b main https://gitcode.com/GitHub_Trending/mm/mmsegmentation cd mmsegmentation pip install -v -e .只当依赖库用就选pip 安装一行搞定pip install mmsegmentation1.0.0完整步骤与 Docker 方案见安装指南docs/zh_cn/get_started.md。2 分钟验证安装让 PSPNet 推理生成第一张分割掩膜✅ 验证不靠import 不报错而靠跑出一个真实结果。第 1 步用 MIM 拉取 PSPNet 的配置文件与权重视网络耗时几分钟mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .完成后当前目录会多两个文件pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py和pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth。第 2 步对仓库自带的 Cityscapes 街景图跑推理结果写入result.jpgpython demo/image_demo.py demo/demo.png pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py \ pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth \ --device cuda:0 --out-file result.jpgresult.jpg里每张目标都盖上了彩色分割掩膜——生成即代表安装成功。输入图长这样命令行入口的实现很短值得扫一眼demo/image_demo.py。用自己的数据推理单张图像与视频两个场景脱离 demo 脚本Python API 只有三个主角init_model建模、inference_model推理、show_result_pyplot可视化。单张图像分割from mmseg.apis import inference_model, init_model, show_result_pyplot config_file pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py checkpoint_file pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth model init_model(config_file, checkpoint_file, devicecuda:0) # 无卡改 devicecpu img demo/demo.png result inference_model(model, img) show_result_pyplot(model, img, result, showTrue, out_fileresult.jpg, opacity0.5)换一张室内场景图模型照样能给出桌面、椅子、墙体的逐像素类别视频逐帧分割套一层循环即可也可用命令行 demo/video_demo.pyimport mmcv from mmseg.apis import inference_model, init_model, show_result_pyplot model init_model(config_file, checkpoint_file, devicecuda:0) video mmcv.VideoReader(video.mp4) for frame in video: result inference_model(model, frame) show_result_pyplot(model, frame, result, wait_time1)API 细节与参数说明见推理源码mmseg/apis/inference.py。训练自己的语义分割模型数据准备、训练命令、mIoU 评估三步走 以 Cityscapes 为例走一遍数据 → 训练 → 评估闭环。第一步Cityscapes 数据集准备先从 Cityscapes 官网下载并注册获取数据按如下目录结构放置data/cityscapes/ ├── leftImg8bit/ │ ├── train/ │ ├── val/ │ └── test/ └── gtFine/ ├── train/ ├── val/ └── test/再跑一次官方转换脚本生成训练用的labelTrainIds.pngpython tools/dataset_converters/cityscapes.py data/cityscapes --nproc 8其他数据集的完整准备流程docs/zh_cn/user_guides/2_dataset_prepare.md。第二步一条命令启动训练单卡与多卡的差别只是换脚本配置完全一致# 单 GPU 训练 python tools/train.py configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py # 8 卡分布式训练 bash tools/dist_train.sh configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py 8训练脚本支持--work-dir指定输出目录、--amp开混合精度、--resume断点续训。入口实现tools/train.py多卡脚本tools/dist_train.sh。第三步评估 mIoU 收尾# 单 GPU 评估 python tools/test.py configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py \ work_dirs/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024/latest.pth --eval mIoU # 8 卡分布式评估 bash tools/dist_test.sh configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py \ work_dirs/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024/latest.pth 8 --eval mIoU跑完终端会输出每个类别的 IoU 与平均 mIoU这就是语义分割模型训练的成绩单。测试入口tools/test.py分布式脚本tools/dist_test.sh。训练与测试的完整参数表docs/zh_cn/user_guides/4_train_test.md。语义分割模型选型按场景挑算法的速查表算法目录都在configs/下按下表对号入座比哪个最新选哪个更省心你的场景推荐方向代表算法配置目录需要精度与速度平衡、最经典的起点经典 CNN 分割FCN、PSPNetconfigs/fcn/、configs/pspnet/关注小目标与多尺度细节空洞卷积 ASPPDeepLabV3、DeepLabV3configs/deeplabv3/、configs/deeplabv3plus/端侧部署、实时推理优先轻量级网络BiSeNetV2、STDC、CGNetconfigs/bisenetv2/、configs/stdc/、configs/cgnet/追精度上限、可接受显存开销Transformer 类SegFormer、SETR、Mask2Formerconfigs/segformer/、configs/setr/、configs/mask2former/拿不准就先跑 PSPNet配置齐全、文档覆盖最多是社区里最常被拿来对比的基线。全部算法的精度/权重/下载信息见模型库docs/zh_cn/model_zoo.md。踩坑自救手册安装、运行、数据集六类常见症状按症状 → 原因 → 解法排查绝大多数问题两分钟定位类别症状可能原因解法安装MMCV 安装失败 / 编译报错PyTorch 与 MMCV 版本不匹配改用 MIM 安装自动解析依赖或按 PyTorch 与 CUDA 版本手动指定 find-url安装启动即报 CUDA 版本错误PyTorch 的 CUDA 版本与驱动不匹配重装 PyTorch 时显式指定与系统匹配的 CUDA 版本运行推理明显偏慢模型过大或输入分辨率过高换更小模型、降低输入分辨率或启用 FP16/AMP 推理运行训练 OOM显存不足batch size 或输入尺寸过大调小 batch、换小 backbone或开 AMP 混合精度数据集加载数据时报路径错误配置中data_root指向不对核对data_root是否真的指向数据集所在目录数据集类别数不匹配 / 预测乱码num_classes与数据集类别不一致让配置的num_classes、palette 与数据集严格对齐更细的条目与社区已验证的答复docs/zh_cn/notes/faq.md。下一步从跑通到用熟的四个资源官方交互教程demo/MMSegmentation_Tutorial.ipynb边读边跑覆盖安装到推理。用户指南docs/zh_cn/user_guides/配置、数据、推理、训练、部署逐章展开。进阶指南docs/zh_cn/advanced_guides/新增数据集、自定义模型与训练技巧都在这里。社区项目projects/遥感、医学影像、NVIDIA Jetson 部署等方向的现成实践。装通环境、跑通推理、训练出自己的 mIoU——到这里MMSegmentation 的上手闭环已经完成。剩下的事就是选一个离你业务最近的算法把它改成你自己的配置。【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentation创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
MMSegmentation 完整教程30 分钟跑通语义分割的推理、训练与评估【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentationMMSegmentation 是 OpenMMLab 出品的 PyTorch 语义分割工具包与基准测试平台覆盖数据准备、模型训练、mIoU 评估三大环节并提供 PSPNet、DeepLabV3、SegFormer 等开箱即用的预训练模型。这篇上手指南按真实使用路径带你走完全流程装通环境 → 验证安装 → 跑推理 → 训练与评估 → 按需求挑模型 → 踩坑自救全程约 30 分钟。为什么把 MMSegmentation 放进你的工具箱先算一笔账从零搭语义分割你要自己写数据管线、训练循环和评估指标再对着论文图复现网络结构一个模型至少耗掉一周。MMSegmentation 把这件事变成改配置文件的活你省掉的是整个基建统一的基准平台众多分割算法跑在同一套代码、同一套训练协议下性能对比直接且公平。模块化设计框架解耦为主干encoder、解码器、分割头等独立模块换算法只需换模块训练管线不用动。即插即用的算法库PSPNet、DeepLabV3、DeepLabV3、SegFormer、Mask2Former 等均有现成配置与预训练权重。高效的训练速度与其他语义分割代码库相比更快或持平省下的算力时间都是收益。语义分割到底输出什么两张图说清楚。输入就是一张普通照片模型输出像素级掩膜——每个像素归属一个类别完整数据流如下图像先经 encoder 提特征再由 decoder 与分割头产出像素级预测。正因为模块间边界清晰项目才能像积木一样自由拼装想深入理解整体设计读官方文档docs/zh_cn/overview.md。5 分钟装好 MMSegmentationconda 环境、MIM 与两种安装方式版本基线先对齐Linux / Windows / macOS 均可运行环境要求Python 3.7CUDA 10.2用 GPU 时PyTorch 1.8建 conda 环境并装 PyTorchconda create --name openmmlab python3.8 -y conda activate openmmlab # GPU 平台 conda install pytorch torchvision -c pytorch # CPU 平台改用 cpuonly # conda install pytorch torchvision cpuonly -c pytorch用 MIM 一键搞定 MMEngine 与 MMCVMMCV 带 C/CUDA 扩展手动对 PyTorch 版本很容易翻车。用 MIM 装依赖自动解析pip install -U openmim mim install mmengine mim install mmcv2.0.0源码或 pip装 MMSegmentation 的两条路⚡ 要改代码、跑开发就选源码安装可编辑模式让改动即时生效git clone -b main https://gitcode.com/GitHub_Trending/mm/mmsegmentation cd mmsegmentation pip install -v -e .只当依赖库用就选pip 安装一行搞定pip install mmsegmentation1.0.0完整步骤与 Docker 方案见安装指南docs/zh_cn/get_started.md。2 分钟验证安装让 PSPNet 推理生成第一张分割掩膜✅ 验证不靠import 不报错而靠跑出一个真实结果。第 1 步用 MIM 拉取 PSPNet 的配置文件与权重视网络耗时几分钟mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .完成后当前目录会多两个文件pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py和pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth。第 2 步对仓库自带的 Cityscapes 街景图跑推理结果写入result.jpgpython demo/image_demo.py demo/demo.png pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py \ pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth \ --device cuda:0 --out-file result.jpgresult.jpg里每张目标都盖上了彩色分割掩膜——生成即代表安装成功。输入图长这样命令行入口的实现很短值得扫一眼demo/image_demo.py。用自己的数据推理单张图像与视频两个场景脱离 demo 脚本Python API 只有三个主角init_model建模、inference_model推理、show_result_pyplot可视化。单张图像分割from mmseg.apis import inference_model, init_model, show_result_pyplot config_file pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py checkpoint_file pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth model init_model(config_file, checkpoint_file, devicecuda:0) # 无卡改 devicecpu img demo/demo.png result inference_model(model, img) show_result_pyplot(model, img, result, showTrue, out_fileresult.jpg, opacity0.5)换一张室内场景图模型照样能给出桌面、椅子、墙体的逐像素类别视频逐帧分割套一层循环即可也可用命令行 demo/video_demo.pyimport mmcv from mmseg.apis import inference_model, init_model, show_result_pyplot model init_model(config_file, checkpoint_file, devicecuda:0) video mmcv.VideoReader(video.mp4) for frame in video: result inference_model(model, frame) show_result_pyplot(model, frame, result, wait_time1)API 细节与参数说明见推理源码mmseg/apis/inference.py。训练自己的语义分割模型数据准备、训练命令、mIoU 评估三步走 以 Cityscapes 为例走一遍数据 → 训练 → 评估闭环。第一步Cityscapes 数据集准备先从 Cityscapes 官网下载并注册获取数据按如下目录结构放置data/cityscapes/ ├── leftImg8bit/ │ ├── train/ │ ├── val/ │ └── test/ └── gtFine/ ├── train/ ├── val/ └── test/再跑一次官方转换脚本生成训练用的labelTrainIds.pngpython tools/dataset_converters/cityscapes.py data/cityscapes --nproc 8其他数据集的完整准备流程docs/zh_cn/user_guides/2_dataset_prepare.md。第二步一条命令启动训练单卡与多卡的差别只是换脚本配置完全一致# 单 GPU 训练 python tools/train.py configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py # 8 卡分布式训练 bash tools/dist_train.sh configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py 8训练脚本支持--work-dir指定输出目录、--amp开混合精度、--resume断点续训。入口实现tools/train.py多卡脚本tools/dist_train.sh。第三步评估 mIoU 收尾# 单 GPU 评估 python tools/test.py configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py \ work_dirs/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024/latest.pth --eval mIoU # 8 卡分布式评估 bash tools/dist_test.sh configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py \ work_dirs/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024/latest.pth 8 --eval mIoU跑完终端会输出每个类别的 IoU 与平均 mIoU这就是语义分割模型训练的成绩单。测试入口tools/test.py分布式脚本tools/dist_test.sh。训练与测试的完整参数表docs/zh_cn/user_guides/4_train_test.md。语义分割模型选型按场景挑算法的速查表算法目录都在configs/下按下表对号入座比哪个最新选哪个更省心你的场景推荐方向代表算法配置目录需要精度与速度平衡、最经典的起点经典 CNN 分割FCN、PSPNetconfigs/fcn/、configs/pspnet/关注小目标与多尺度细节空洞卷积 ASPPDeepLabV3、DeepLabV3configs/deeplabv3/、configs/deeplabv3plus/端侧部署、实时推理优先轻量级网络BiSeNetV2、STDC、CGNetconfigs/bisenetv2/、configs/stdc/、configs/cgnet/追精度上限、可接受显存开销Transformer 类SegFormer、SETR、Mask2Formerconfigs/segformer/、configs/setr/、configs/mask2former/拿不准就先跑 PSPNet配置齐全、文档覆盖最多是社区里最常被拿来对比的基线。全部算法的精度/权重/下载信息见模型库docs/zh_cn/model_zoo.md。踩坑自救手册安装、运行、数据集六类常见症状按症状 → 原因 → 解法排查绝大多数问题两分钟定位类别症状可能原因解法安装MMCV 安装失败 / 编译报错PyTorch 与 MMCV 版本不匹配改用 MIM 安装自动解析依赖或按 PyTorch 与 CUDA 版本手动指定 find-url安装启动即报 CUDA 版本错误PyTorch 的 CUDA 版本与驱动不匹配重装 PyTorch 时显式指定与系统匹配的 CUDA 版本运行推理明显偏慢模型过大或输入分辨率过高换更小模型、降低输入分辨率或启用 FP16/AMP 推理运行训练 OOM显存不足batch size 或输入尺寸过大调小 batch、换小 backbone或开 AMP 混合精度数据集加载数据时报路径错误配置中data_root指向不对核对data_root是否真的指向数据集所在目录数据集类别数不匹配 / 预测乱码num_classes与数据集类别不一致让配置的num_classes、palette 与数据集严格对齐更细的条目与社区已验证的答复docs/zh_cn/notes/faq.md。下一步从跑通到用熟的四个资源官方交互教程demo/MMSegmentation_Tutorial.ipynb边读边跑覆盖安装到推理。用户指南docs/zh_cn/user_guides/配置、数据、推理、训练、部署逐章展开。进阶指南docs/zh_cn/advanced_guides/新增数据集、自定义模型与训练技巧都在这里。社区项目projects/遥感、医学影像、NVIDIA Jetson 部署等方向的现成实践。装通环境、跑通推理、训练出自己的 mIoU——到这里MMSegmentation 的上手闭环已经完成。剩下的事就是选一个离你业务最近的算法把它改成你自己的配置。【免费下载链接】mmsegmentationOpenMMLab Semantic Segmentation Toolbox and Benchmark.项目地址: https://gitcode.com/GitHub_Trending/mm/mmsegmentation创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
