119 lines
8.5 KiB
Markdown
119 lines
8.5 KiB
Markdown
# 常见问题解答（FAQ）
|
||
|
||
我们在这里列出了使用时的一些常见问题及其相应的解决方案。 如果您发现有一些问题被遗漏，请随时提 PR 丰富这个列表。 如果您无法在此获得帮助，请使用 [issue模板](https://github.com/open-mmlab/mmsegmentation/blob/dev-1.x/.github/ISSUE_TEMPLATE/error-report.md/)创建问题，但是请在模板中填写所有必填信息，这有助于我们更快定位问题。
|
||
|
||
## 安装
|
||
|
||
兼容的MMSegmentation和MMCV版本如下。请安装正确版本的MMCV以避免安装问题。
|
||
|
||
| MMSegmentation version | MMCV version | MMEngine version | MMClassification (optional) version | MMDetection (optional) version |
|
||
| :--------------------: | :----------------------------: | :---------------: | :---------------------------------: | :----------------------------: |
|
||
| dev-1.x branch | mmcv >= 2.0.0rc4 | MMEngine >= 0.5.0 | mmcls>=1.0.0rc0 | mmdet >= 3.0.0rc6 |
|
||
| 1.x branch | mmcv >= 2.0.0rc4 | MMEngine >= 0.5.0 | mmcls>=1.0.0rc0 | mmdet >= 3.0.0rc6 |
|
||
| 1.0.0rc6 | mmcv >= 2.0.0rc4 | MMEngine >= 0.5.0 | mmcls>=1.0.0rc0 | mmdet >= 3.0.0rc6 |
|
||
| 1.0.0rc5 | mmcv >= 2.0.0rc4 | MMEngine >= 0.2.0 | mmcls>=1.0.0rc0 | mmdet>=3.0.0rc6 |
|
||
| 1.0.0rc4 | mmcv == 2.0.0rc3 | MMEngine >= 0.1.0 | mmcls>=1.0.0rc0 | mmdet>=3.0.0rc4, \<=3.0.0rc5 |
|
||
| 1.0.0rc3 | mmcv == 2.0.0rc3 | MMEngine >= 0.1.0 | mmcls>=1.0.0rc0 | mmdet>=3.0.0rc4 \<=3.0.0rc5 |
|
||
| 1.0.0rc2 | mmcv == 2.0.0rc3 | MMEngine >= 0.1.0 | mmcls>=1.0.0rc0 | mmdet>=3.0.0rc4 \<=3.0.0rc5 |
|
||
| 1.0.0rc1 | mmcv >= 2.0.0rc1, \<=2.0.0rc3> | MMEngine >= 0.1.0 | mmcls>=1.0.0rc0 | Not required |
|
||
| 1.0.0rc0 | mmcv >= 2.0.0rc1, \<=2.0.0rc3> | MMEngine >= 0.1.0 | mmcls>=1.0.0rc0 | Not required |
|
||
|
||
如果您已经安装了版本不合适的 mmcv，请先运行`pip uninstall mmcv`卸载已安装的 mmcv，如您先前安装的为 mmcv-full(存在于 OpenMMLab 1.x),请运行`pip uninstall mmcv-full`进行卸载。
|
||
|
||
- 如出现"No module named 'mmcv'";
|
||
1. 使用`pip uninstall mmcv`卸载环境中现有的mmcv。
|
||
2. 按照[安装说明](../get_started#best-practices)安装对应的mmcv。
|
||
|
||
## 如何获知模型训练时需要的显卡数量
|
||
|
||
- 看模型的config文件的命名。可以参考[学习配置文件](../user_guides/1_config.md)中的`配置文件命名风格`部分。比如，对于名字为`segformer_mit-b0_8xb1-160k_cityscapes-1024x1024.py`的config文件，`8xb1`代表训练其对应的模型需要的卡数为8，每张卡中的batch size为1。
|
||
- 看模型的log文件。点开该模型的log文件，并在其中搜索`nGPU`，在`nGPU`后的数字个数即训练时所需的卡数。比如，在log文件中搜索`nGPU`得到`nGPU 0,1,2,3,4,5,6,7`的记录，则说明训练该模型需要使用八张卡。
|
||
|
||
## auxiliary head 是什么
|
||
|
||
简单来说，这是一个提高准确率的深度监督技术。在训练阶段，`decode_head` 用于输出语义分割的结果，`auxiliary_head` 只是增加了一个辅助损失，其产生的分割结果对你的模型结果没有影响，仅在在训练中起作用。您可以阅读这篇[论文](https://arxiv.org/pdf/1612.01105.pdf)了解更多信息。
|
||
|
||
## 运行测试脚本时如何输出绘制分割掩膜的图像
|
||
|
||
在测试脚本中，我们提供了`--out`参数来控制是否输出保存预测的分割掩膜图像。您可以运行以下命令输出测试结果:
|
||
|
||
```shell
|
||
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} --out ${OUTPUT_DIR}
|
||
```
|
||
|
||
更多用例细节可查阅[文档](https://github.com/open-mmlab/mmsegmentation/blob/dev-1.x/docs/zh_cn/user_guides/4_train_test.md#%E6%B5%8B%E8%AF%95%E5%B9%B6%E4%BF%9D%E5%AD%98%E5%88%86%E5%89%B2%E7%BB%93%E6%9E%9C)，[PR #2712](https://github.com/open-mmlab/mmsegmentation/pull/2712)以及[迁移文档](https://github.com/open-mmlab/mmsegmentation/blob/dev-1.x/docs/zh_cn/migration/interface.md#%E6%B5%8B%E8%AF%95%E5%90%AF%E5%8A%A8)了解相关说明
|
||
|
||
## 如何处理二值分割任务?
|
||
|
||
MMSegmentation 使用 `num_classes` 和 `out_channels` 来控制模型最后一层 `self.conv_seg` 的输出. 更多细节可以参考 [这里](https://github.com/open-mmlab/mmsegmentation/blob/dev-1.x/mmseg/models/decode_heads/decode_head.py).
|
||
|
||
`num_classes` 应该和数据集本身类别个数一致，当是二值分割时，数据集只有前景和背景两类, 所以 `num_classes` 为 2. `out_channels` 控制模型最后一层的输出的通道数，通常和 `num_classes` 相等, 但当二值分割时候, 可以有两种处理方法, 分别是：
|
||
|
||
- 设置 `out_channels=2`, 在训练时以 Cross Entropy Loss 作为损失函数, 在推理时使用 `F.softmax()` 归一化 logits 值, 然后通过 `argmax()` 得到每个像素的预测结果.
|
||
|
||
- 设置 `out_channels=1`, 在训练时以 Binary Cross Entropy Loss 作为损失函数, 在推理时使用 `F.sigmoid()` 和 `threshold` 得到预测结果, `threshold` 默认为 0.3.
|
||
|
||
对于实现上述两种计算二值分割的方法, 需要在 `decode_head` 和 `auxiliary_head` 的配置里修改. 下面是对样例 [pspnet_unet_s5-d16.py](https://github.com/open-mmlab/mmsegmentation/blob/dev-1.x/configs/_base_/models/pspnet_unet_s5-d16.py) 做出的对应修改.
|
||
|
||
- (1) `num_classes=2`, `out_channels=2` 并在 `CrossEntropyLoss` 里面设置 `use_sigmoid=False`.
|
||
|
||
```python
|
||
decode_head=dict(
|
||
type='PSPHead',
|
||
in_channels=64,
|
||
in_index=4,
|
||
num_classes=2,
|
||
out_channels=2,
|
||
loss_decode=dict(
|
||
type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0)),
|
||
auxiliary_head=dict(
|
||
type='FCNHead',
|
||
in_channels=128,
|
||
in_index=3,
|
||
num_classes=2,
|
||
out_channels=2,
|
||
loss_decode=dict(
|
||
type='CrossEntropyLoss', use_sigmoid=False, loss_weight=0.4)),
|
||
```
|
||
|
||
- (2) `num_classes=2`, `out_channels=1` 并在 `CrossEntropyLoss` 里面设置 `use_sigmoid=True`.
|
||
|
||
```python
|
||
decode_head=dict(
|
||
type='PSPHead',
|
||
in_channels=64,
|
||
in_index=4,
|
||
num_classes=2,
|
||
out_channels=1,
|
||
loss_decode=dict(
|
||
type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0)),
|
||
auxiliary_head=dict(
|
||
type='FCNHead',
|
||
in_channels=128,
|
||
in_index=3,
|
||
num_classes=2,
|
||
out_channels=1,
|
||
loss_decode=dict(
|
||
type='CrossEntropyLoss', use_sigmoid=True, loss_weight=0.4)),
|
||
```
|
||
|
||
## `reduce_zero_label` 的作用
|
||
|
||
数据集中 `reduce_zero_label` 参数类型为布尔类型, 默认为 False, 它的功能是为了忽略数据集 label 0. 具体做法是将 label 0 改为 255, 其余 label 相应编号减 1, 同时 decode head 里将 255 设为 ignore index, 即不参与 loss 计算.
|
||
以下是 `reduce_zero_label` 具体实现逻辑:
|
||
|
||
```python
|
||
if self.reduce_zero_label:
|
||
# avoid using underflow conversion
|
||
gt_semantic_seg[gt_semantic_seg == 0] = 255
|
||
gt_semantic_seg = gt_semantic_seg - 1
|
||
gt_semantic_seg[gt_semantic_seg == 254] = 255
|
||
```
|
||
|
||
关于您的数据集是否需要使用reduce_zero_label，有以下两类情况：
|
||
|
||
- 例如在Potsdam数据集上，有 0-不透水面、1-建筑、2-低矮植被、3-树、4-汽车、5-杂乱，六类。但该数据集提供了两种RGB标签，一种为图像边缘处有黑色像素的标签，另一种是没有黑色边缘的标签。对于有黑色边缘的标签，在 [dataset_converters.py](https://github.com/open-mmlab/mmsegmentation/blob/dev-1.x/tools/dataset_converters/potsdam.py)中，其将黑色边缘转换为label 0，其余标签分别为 1-不透水面、2-建筑、3-低矮植被、4-树、5-汽车、6-杂乱，那么此时，就应该在数据集[potsdam.py](https://github.com/open-mmlab/mmsegmentation/blob/ff95416c3b5ce8d62b9289f743531398efce534f/mmseg/datasets/potsdam.py#L23)中将`reduce_zero_label=True`。如果使用的是没有黑色边缘的标签，那么mask label中只有0-5，此时就应该使`reduce_zero_label=False`。需要结合您的实际情况来使用。
|
||
- 例如在第0类为background类别的数据集上，如果您最终是需要将背景和您的其余类别分开时，是不需要使用`reduce_zero_label`的，此时在数据集中应该将其设置为`reduce_zero_label=False`
|
||
|
||
**注意:** 使用 `reduce_zero_label` 请确认数据集原始类别个数, 如果只有两类, 需要关闭 `reduce_zero_label` 即设置 `reduce_zero_label=False`.
|