文章目录

• 1mask文件的0-n代表什么？分类数目包不包括背景呢？
• 2使用资源代码需要注意的部分
• 3如何配置config文件
• • • • 点开K-NET
• 4推荐几个常用模型和配置文件
• 5需要注意的几个参数

1mask文件的0-n代表什么？分类数目包不包括背景呢？

答：几个预测类别填写几类，0被认为是背景。
我们所看到的mask格式是png，但请注意png3通道的值是一模一样的，只需要取出一个通道就可以了。

2使用资源代码需要注意的部分

1、首先环境是需要租赁服务器的。（本人下载linux结果结果无法使用中文，搜索一些网站和个人博客就很苦恼。还有就是配置windows环境真的很费劲。个人觉得只要能配置好租赁服务器的，其实也只要训练时间。3090的显卡10块钱5个小时，个人感觉用的就还行。）
2、3090的显卡，本人图片10241024，resize到640640，最大是batchsize=8。

3如何配置config文件

关于config配置文件，可以在下面文件夹中找到。

从Model Zoo中选择预训练语义分割模型的config文件和checkpoint权重文件

Model Zoo：https://github.com/open-mmlab/mmsegmentation/tree/main#benchmark-and-model-zoo

点开K-NET

1. 配置文件
   我们可以看到预训练图片的大小，以及config的文件。通过我们的backbone查找到我们所选用的模型。点击config文件，得到网址：https://github.com/open-mmlab/mmsegmentation/blob/main/configs/knet/knet-s3_swin-l_upernet_8xb2-adamw-80k_ade20k-512x512.py这里的configs/knet/knet-s3_swin-l_upernet_8xb2-adamw-80k_ade20k-512x512.py就是我们所需要的配置文件
2. 预训练权重
   右键model log，复制链接：https://download.openmmlab.com/mmsegmentation/v0.5/knet/knet_s3_upernet_swin-t_8x2_512x512_adamw_80k_ade20k/knet_s3_upernet_swin-t_8x2_512x512_adamw_80k_ade20k_20220303_133059-7545e1dc.pth

注意这里有一些模型miou精度高的，有一些则是偏向于检测速度高的。

4推荐几个常用模型和配置文件

一般我会使用k-net部署，其他的用作对比。

• segformer

# 模型 config 配置文
config_file = 'configs/segformer/segformer_mit-b5_8xb1-160k_cityscapes-1024x1024.py'

# 模型 checkpoint 权重文件
checkpoint_file = 'https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b5_8x1_1024x1024_160k_cityscapes/segformer_mit-b5_8x1_1024x1024_160k_cityscapes_20211206_072934-87a052ec.pth'

• Mask2Former

config_file = 'configs/mask2former/mask2former_swin-l-in22k-384x384-pre_8xb2-160k_ade20k-640x640.py'
checkpoint_file = 'https://download.openmmlab.com/mmsegmentation/v0.5/mask2former/mask2former_swin-l-in22k-384x384-pre_8xb2-160k_ade20k-640x640/mask2former_swin-l-in22k-384x384-pre_8xb2-160k_ade20k-640x640_20221203_235933-7120c214.pth'

• K-Net(精度比较高）

config_file = 'configs/knet/knet-s3_swin-l_upernet_8xb2-adamw-80k_ade20k-640x640.py'
checkpoint_file = 'https://download.openmmlab.com/mmsegmentation/v0.5/knet/knet_s3_upernet_swin-l_8x2_640x640_adamw_80k_ade20k/knet_s3_upernet_swin-l_8x2_640x640_adamw_80k_ade20k_20220301_220747-8787fc71.pth'

config_file = 'configs/fastscnn/fast_scnn_8xb4-160k_cityscapes-512x1024.py'
checkpoint_file = 'https://download.openmmlab.com/mmsegmentation/v0.5/fast_scnn/fast_scnn_lr0.12_8x4_160k_cityscapes/fast_scnn_lr0.12_8x4_160k_cityscapes_20210630_164853-0cec9937.pth'

5需要注意的几个参数

crop_size = (512,512),这个参数越小模型精度就大打折扣。
scale=（2048,1024）缩放参数默认是这样自己，原图的2-3倍。
image_path：藏得比较深，容易忘记修改