此篇博客借鉴同济自豪兄的教程与数据集，点击进入原链接。

预练习语义切割模型猜测，本文介绍两种办法，一种为单命令行，一种为PythonAPI。

一、单命令行完成

单命令行运转时速度较慢，但易于理解，了解每个过程的详细意义，合适新手学习。

进入 mmsegmentation 主目录

import os
os.chdir('mmsegmentation')

载入测验图画

from PIL import Image
# Image.open('data/street_uk.jpeg')

下载素材至`data`目录

假如报错Unable to establish SSL connection.，重新运转代码块即可。

# 伦敦街景图片
!wget https://www.6hu.cc/wp-content/uploads/2023/12/224869-JdyRbw.jpeg -P data
# 卧室图片
!wget https://www.6hu.cc/wp-content/uploads/2023/12/224869-rgRUpi.jpg -P data
# 上海驾车街景视频，视频来历：https://www.youtube.com/watch?v=ll8TgCZ0plk
!wget https://zihao-download.obs.cn-east-3.myhuaweicloud.com/detectron2/traffic.mp4 -P data
# 街拍视频，2022年3月30日
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220713-mmdetection/images/street_20220330_174028.mp4 -P data

从Model Zoo中挑选预练习语义切割模型的config文件和checkpoint权重文件

Model Zoo：github.com/open-mmlab/…

留意，config文件和checkpoint文件是一一对应的，请留意，一一对应。

Segformer算法，Cityscpaes数据集预练习模型

configs/segformer/segformer_mit-b5_8xb1-160k_cityscapes-1024x1024.py

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

Segformer算法，ADE20K数据集预练习模型

configs/segformer/segformer_mit-b5_8xb2-160k_ade20k-640x640.py

https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b5_640x640_160k_ade20k/segformer_mit-b5_640x640_160k_ade20k_20210801_121243-41d2845b.pth

Segformer算法，Cityscpaes数据集预练习模型

Cityscapes语义切割数据集：www.cityscapes-dataset.com

19个类别

‘road’, ‘sidewalk’, ‘building’, ‘wall’, ‘fence’, ‘pole’, ‘traffic light’, ‘traffic sign’, ‘vegetation’, ‘terrain’, ‘sky’, ‘person’, ‘rider’, ‘car’, ‘truck’, ‘bus’, ‘train’, ‘motorcycle’, ‘bicycle’

!python demo/image_demo.py 
        data/street_uk.jpeg 
        configs/segformer/segformer_mit-b5_8xb1-160k_cityscapes-1024x1024.py 
         
        --device cuda:0 
        --opacity 0.5

Image.open('outputs/B1_uk_segformer.jpg')

Segformer算法，ADE20K数据集预练习模型

ADE20K 150个类别

groups.csail.mit.edu/vision/data…

!python demo/image_demo.py 
        data/bedroom.jpg 
        configs/segformer/segformer_mit-b5_8xb2-160k_ade20k-640x640.py 
         
        --device cuda:0 
        --opacity 0.5

# Image.open('outputs/B1_Segformer_ade20k.jpg')

假如报错RuntimeError: CUDA out of memory.显存不够

处理办法：换用更大显存的GPU实例、换用占用显存更小的模型、缩小输入图画尺度、重启kernel

二、Python API完成

预练习语义切割模型猜测-单张图画-Python API

视频链接可以参见，同济子豪兄：space.bilibili.com/1900783

进入 mmsegmentation 主目录

import os
os.chdir('mmsegmentation')

导入工具包

import numpy as np
import cv2
from mmseg.apis import init_model, inference_model, show_result_pyplot
import mmcv
import matplotlib.pyplot as plt
%matplotlib inline

载入模型

# 模型 config 配置文件
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'

也要留意一一对应关系。

model = init_model(config_file, checkpoint_file, device='cuda:0')

载入测验图画

img_path = 'data/street_uk.jpeg'

img_bgr = cv2.imread(img_path)

img_bgr.shape
# 输出为
(1500, 2250, 3)

plt.imshow(img_bgr[:,:,::-1])
plt.show()

语义切割推理猜测

result = inference_model(model, img_bgr)

result.keys()
输出为 ['seg_logits', 'pred_sem_seg']

语义切割猜测成果-定性类别

# 类别：0-18，共 19 个 类别
result.pred_sem_seg.data.shape
# 输出为 torch.Size([1, 1500, 2250])

np.unique(result.pred_sem_seg.data.cpu())
# 输出为 array([ 0,  1,  2,  3,  4,  5,  6,  7,  8, 10, 11, 13, 15])

result.pred_sem_seg.data.shape
#输出为 torch.Size([1, 1500, 2250])

result.pred_sem_seg.data
# 输出：tensor([[[10, 10, 10,  ..., 10, 10, 10],
         [10, 10, 10,  ..., 10, 10, 10],
         [10, 10, 10,  ..., 10, 10, 10],
         ...,
         [ 0,  0,  0,  ...,  0,  0,  0],
         [ 0,  0,  0,  ...,  0,  0,  0],
         [ 0,  0,  0,  ...,  0,  0,  0]]], device='cuda:0')

pred_mask = result.pred_sem_seg.data[0].detach().cpu().numpy()

plt.imshow(pred_mask)
plt.show()

语义切割猜测成果-定量置信度

# 置信度
result.seg_logits.data.shape
#输出 torch.Size([19, 1500, 2250])

可视化语义切割猜测成果-办法一

plt.figure(figsize=(14, 8))
plt.imshow(img_bgr[:,:,::-1])
plt.imshow(pred_mask, alpha=0.55) # alpha 高亮区域透明度，越小越挨近原图
plt.axis('off')
plt.savefig('outputs/B2-1.jpg')
plt.show()

可视化语义切割猜测成果-办法二（和原图并排显示）

plt.figure(figsize=(14, 8))
plt.subplot(1,2,1)
plt.imshow(img_bgr[:,:,::-1])
plt.axis('off')
plt.subplot(1,2,2)
plt.imshow(img_bgr[:,:,::-1])
plt.imshow(pred_mask, alpha=0.6) # alpha 高亮区域透明度，越小越挨近原图
plt.axis('off')
plt.savefig('outputs/B2-2.jpg')
plt.show()

可视化语义切割猜测成果-办法三

依照mmseg/datasets/cityscapes.py界说的配色方案，原程序的API

from mmseg.apis import show_result_pyplot

img_viz = show_result_pyplot(model, img_path, result, opacity=0.8, title='MMSeg', out_file='outputs/B2-3.jpg')
# 输出：/environment/miniconda3/lib/python3.7/site-packages/mmengine/visualization/visualizer.py:196: UserWarning: Failed to add <class 'mmengine.visualization.vis_backend.LocalVisBackend'>, please provide the `save_dir` argument.
  warnings.warn(f'Failed to add {vis_backend.__class__}, '

opacity操控透明度，越小，越挨近原图。

img_viz.shape
# 输出：(1500, 2250, 3)

plt.figure(figsize=(14, 8))
plt.imshow(img_viz)
plt.show()

可视化语义切割猜测成果-办法四（加图例）

from mmseg.datasets import cityscapes
import numpy as np
import mmcv 
from PIL import Image
# 获取类别号和调色板
classes = cityscapes.CityscapesDataset.METAINFO['classes']
palette = cityscapes.CityscapesDataset.METAINFO['palette']
opacity = 0.15 # 透明度，越大越挨近原图
# 将切割图按调色板染色
# seg_map = result[0].astype('uint8')
seg_map = pred_mask.astype('uint8')
seg_img = Image.fromarray(seg_map).convert('P')
seg_img.putpalette(np.array(palette, dtype=np.uint8))
from matplotlib import pyplot as plt
import matplotlib.patches as mpatches
plt.figure(figsize=(14, 8))
im = plt.imshow(((np.array(seg_img.convert('RGB')))*(1-opacity) + mmcv.imread(img_path)*opacity) / 255)
# 为每一种色彩创立一个图例
patches = [mpatches.Patch(color=np.array(palette[i])/255., label=classes[i]) for i in range(len(classes))]
plt.legend(handles=patches, bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0., fontsize='large')
plt.savefig('outputs/B2-4.jpg')
plt.show()

MMSegmentation教程（二）实例测试

一、单命令行完成

进入 mmsegmentation 主目录

载入测验图画

下载素材至`data`目录

从Model Zoo中挑选预练习语义切割模型的config文件和checkpoint权重文件

Segformer算法，Cityscpaes数据集预练习模型

Segformer算法，ADE20K数据集预练习模型

预练习语义切割模型猜测-单张图画-Python API

进入 mmsegmentation 主目录

导入工具包

载入模型

载入测验图画

语义切割推理猜测

语义切割猜测成果-定性类别

语义切割猜测成果-定量置信度

可视化语义切割猜测成果-办法一

可视化语义切割猜测成果-办法二（和原图并排显示）

可视化语义切割猜测成果-办法三

可视化语义切割猜测成果-办法四（加图例）

作者信息

MMSegmentation教程（二）实例测试

一、单命令行完成

进入 mmsegmentation 主目录

载入测验图画

下载素材至data目录

从Model Zoo中挑选预练习语义切割模型的config文件和checkpoint权重文件

Segformer算法，Cityscpaes数据集预练习模型

Segformer算法，ADE20K数据集预练习模型

预练习语义切割模型猜测-单张图画-Python API

进入 mmsegmentation 主目录

导入工具包

载入模型

载入测验图画

语义切割推理猜测

语义切割猜测成果-定性类别

语义切割猜测成果-定量置信度

可视化语义切割猜测成果-办法一

可视化语义切割猜测成果-办法二（和原图并排显示）

可视化语义切割猜测成果-办法三

可视化语义切割猜测成果-办法四（加图例）

相关文章

JS 常见的 6 种继承方式

爆肝撸了个🐑了个羊通关助手（Vue + node）版本

async/await 详解

Jetpack Compose 1.5 上新：性能升级，内存优化！

作者信息

下载素材至`data`目录