关于mmsegmentation自定义数据集的使用

CSDN上关于mmsegmentation的资料好像很少，在这里经过我几天的摸索，可以在这里大致介绍一下自定义数据集要怎么使用：

数据集格式

要将自己的数据集整理成下面的格式：
其中annotation一定要是二维图片(即HxW)，且像素值就是像素对应的类别值

├── 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

数据集的注册

在mmseg/datasets路径下新增MyDataset.py，格式可以参照ade.py;
MyDataset.py创建完成后，还需要在mmseg/datasets/__init__.py中加入MyDataset

新建训练文件

在configs/路径下找到你想要使用的模型，进入该文件夹后新建一个文件，例如：

# 这里可以指定你要用的 1.模型 2.数据集 3.运行 4.调度策略 都是可以自己设置的
# 参照这些文件自己调节即可
_base_ = [
    '../_base_/models/upernet_swin.py', '../_base_/datasets/polyp.py',
    '../_base_/default_runtime.py', '../_base_/schedules/schedule_10k_dice.py'
]
model = dict(
    pretrained=\
    'https://github.com/SwinTransformer/storage/releases/download/v1.0.0/swin_tiny_patch4_window7_224.pth', # noqa
    backbone=dict(
        embed_dims=96,
        depths=[2, 2, 6, 2],
        num_heads=[3, 6, 12, 24],
        window_size=7,
        use_abs_pos_embed=False,
        drop_path_rate=0.3,
        patch_norm=True,
        pretrain_style='official'),
        
    decode_head=dict(in_channels=[96, 192, 384, 768], num_classes=2, 
            loss_decode=dict(  # 解码头(decode_head)里的损失函数的配置项。
            type='DiceLoss',  # 在分割里使用的损失函数的类别。
            use_sigmoid=False,  # 在分割里是否使用 sigmoid 激活。
            loss_weight=1.0)),
            
    auxiliary_head=dict(in_channels=384, num_classes=2,
            loss_decode=dict(  # 解码头(decode_head)里的损失函数的配置项。
            type='DiceLoss',  # 在分割里使用的损失函数的类别。
            use_sigmoid=False,  # 在分割里是否使用 sigmoid 激活。
            loss_weight=0.4)))

# AdamW optimizer, no weight decay for position embedding & layer norm
# in backbone
optimizer = dict(
    _delete_=True,
    type='AdamW',
    lr=0.00006,
    betas=(0.9, 0.999),
    weight_decay=0.01,
    paramwise_cfg=dict(
        custom_keys={
            'absolute_pos_embed': dict(decay_mult=0.),
            'relative_position_bias_table': dict(decay_mult=0.),
            'norm': dict(decay_mult=0.)
        }))

lr_config = dict(
    _delete_=True,
    policy='poly',
    warmup='linear',
    warmup_iters=1500,
    warmup_ratio=1e-6,
    power=1.0,
    min_lr=0.0,
    by_epoch=False)

# By default, models are trained on 8 GPUs with 2 images per GPU
data = dict(samples_per_gpu=4)

接下来按教程运行即可。