语义分割开源工具箱MMSegmentation安装及使用示例
MMSegmentation是一个基于PyTorch的语义分割开源工具箱，是OpenMMLab项目的一部分，源码在https://github.com/open-mmlab/mmsegmentation，最新发布版本为v0.27.0，License为Apache-2.0。它支持在Windows、Linux和Mac上运行。
1.安装：使用conda安装
(1).创建openmmlab虚拟环境：
conda create -n openmmlab python=3.8
conda activate openmmlab(2).安装PyTorch：这里PyTorch使用1.11.0版本，CUDA使用10.2版本，此CUDA版本对PyTorch各版本都支持
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=10.2 -c pytorch (3).安装MMCV：MMCV有两个版本，这里安装带CUDA的mmcv-full
1).mmcv-full: 完整版，包含所有的特性以及丰富的开箱即用的CUDA算子，安装此版本需要较长时间。
2).mmcv：精简版，不包含CUDA算子但包含其余所有特性和功能，类似MMCV 1.0之前的版本。
不要在同一个环境中安装两个版本，否则可能会遇到类似ModuleNotFound的错误。在安装一个版本之前，需要先卸载另一个：
pip uninstall mmcv-full
pip uninstall mmcv注意：这里mmcv-full使用1.5.3版本。CUDA版本和PyTorch版本与安装PyTorch时保持一致
pip install mmcv-full==1.5.3 -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.11.0/index.html(4).安装MMSegmentation：没有通过源码安装
pip install mmsegmentation==0.27.0 2.测试：论文：《Pyramid Scene Parsing Network》
Cityscapes数据集：专注于对城市街道场景的语义理解，group包括：flat(road, sidewalk, parking. rail track)、human(person, rider)、vehicle(car, truck, bus, on rails, motorcycle, bicycle, caravan, trailer)、construction(building, wall, fence, guard rail, bridge, tunnel)、object(pole, pole group, traffic sign, traffic light)、nature(vegetation, terrain)、sky，cityscapes_labels中给出了label对应的id值。
(1).下载模型(checkpoint)：
def download_checkpoint(path, name, url):
if os.path.isfile(path+name) == False:
print("checkpoint(model) file does not exist, now download ...")
subprocess.run(["wget", "-P", path, url])
path = "../../data/model/"
checkpoint = "pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth"
url = "https://download.openmmlab.com/mmsegmentation/v0.5/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes/pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth"
download_checkpoint(path, checkpoint, url)(2).根据配置文件和checkpoint文件构建模型：
config = "../../src/mmsegmentation/configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py"
model = init_segmentor(config, path+checkpoint, device)(3).准备测试图像：原始图像来自网络
image_path = "../../data/image/"
image_name = "12.png"
(4).进行推理：
result = inference_segmentor(model, image)
print(f"result shape: {result[0].shape}, max value: {np.max(result[0])}, data type: {result[0].dtype}") # result shape: (667, 1400), max value: 18, data type: int64
show_result_pyplot(model, image, result)调用mmseg的接口show_result_pyplot，结果如下图所示：
(5).显示灰度图结果及保存图像：
dst = result[0].astype(np.uint8) * int(255/np.max(result[0]))
print(f"type: {dst.dtype}, max value: {np.max(dst)}")
cv2.imwrite("../../data/result_segmentor_pspnet.png", dst)
cv2.imshow("show", dst)
cv2.waitKey(0)
GitHub：https://github.com/fengbingchun/PyTorch_Test