140 lines
8.4 KiB
Markdown
140 lines
8.4 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/master/.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 | MMClassification version |
|
||
| :--------------------: | :-------------------------: | :----------------------: |
|
||
| master | mmcv-full>=1.5.0, \<1.8.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.30.0 | mmcv-full>=1.5.0, \<1.8.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.29.1 | mmcv-full>=1.5.0, \<1.8.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.29.0 | mmcv-full>=1.5.0, \<1.7.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.28.0 | mmcv-full>=1.5.0, \<1.7.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.27.0 | mmcv-full>=1.5.0, \<1.7.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.26.0 | mmcv-full>=1.5.0, \<=1.6.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.25.0 | mmcv-full>=1.5.0, \<=1.6.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.24.1 | mmcv-full>=1.4.4, \<=1.6.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.23.0 | mmcv-full>=1.4.4, \<=1.6.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.22.0 | mmcv-full>=1.4.4, \<=1.6.0 | mmcls>=0.20.1, \<=1.0.0 |
|
||
| 0.21.1 | mmcv-full>=1.4.4, \<=1.6.0 | Not required |
|
||
| 0.20.2 | mmcv-full>=1.3.13, \<=1.6.0 | Not required |
|
||
| 0.19.0 | mmcv-full>=1.3.13, \<1.3.17 | Not required |
|
||
| 0.18.0 | mmcv-full>=1.3.13, \<1.3.17 | Not required |
|
||
| 0.17.0 | mmcv-full>=1.3.7, \<1.3.17 | Not required |
|
||
| 0.16.0 | mmcv-full>=1.3.7, \<1.3.17 | Not required |
|
||
| 0.15.0 | mmcv-full>=1.3.7, \<1.3.17 | Not required |
|
||
| 0.14.1 | mmcv-full>=1.3.7, \<1.3.17 | Not required |
|
||
| 0.14.0 | mmcv-full>=1.3.1, \<1.3.2 | Not required |
|
||
| 0.13.0 | mmcv-full>=1.3.1, \<1.3.2 | Not required |
|
||
| 0.12.0 | mmcv-full>=1.1.4, \<1.3.2 | Not required |
|
||
| 0.11.0 | mmcv-full>=1.1.4, \<1.3.0 | Not required |
|
||
| 0.10.0 | mmcv-full>=1.1.4, \<1.3.0 | Not required |
|
||
| 0.9.0 | mmcv-full>=1.1.4, \<1.3.0 | Not required |
|
||
| 0.8.0 | mmcv-full>=1.1.4, \<1.2.0 | Not required |
|
||
| 0.7.0 | mmcv-full>=1.1.2, \<1.2.0 | Not required |
|
||
| 0.6.0 | mmcv-full>=1.1.2, \<1.2.0 | Not required |
|
||
|
||
如果你安装了mmcv，你需要先运行`pip uninstall mmcv`。
|
||
如果mmcv和mmcv-full都安装了，会出现 "ModuleNotFoundError"。
|
||
|
||
- "No module named 'mmcv.ops'"; "No module named 'mmcv.\_ext'".
|
||
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mmcv-full。
|
||
|
||
## 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](https://github.com/open-mmlab/mmsegmentation/blob/master/docs/zh_cn/tutorials/config.md)中的`配置文件命名风格`部分。比如，对于名字为`segformer_mit-b0_8x1_1024x1024_160k_cityscapes.py`的config文件，`8x1`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。你可以阅读这篇[论文](https://arxiv.org/pdf/1612.01105.pdf)了解更多信息。
|
||
|
||
## 为什么日志文件没有被创建
|
||
|
||
在训练脚本中，我们在第167行调用 `get_root_logger` 方法，然后 mmseg 的 `get_root_logger` 方法调用 mmcv 的 `get_logger`，mmcv 将返回在 'mmsegmentation/tools/train.py' 中使用参数 `log_file` 初始化的同一个 logger。在训练期间只存在一个用 `log_file` 初始化的 logger。
|
||
|
||
参考：[https://github.com/open-mmlab/mmcv/blob/21bada32560c7ed7b15b017dc763d862789e29a8/mmcv/utils/logging.py#L9-L16](https://github.com/open-mmlab/mmcv/blob/21bada32560c7ed7b15b017dc763d862789e29a8/mmcv/utils/logging.py#L9-L16)
|
||
|
||
如果你发现日志文件没有被创建，可以检查 `mmcv.utils.get_logger` 是否在其他地方被调用。
|
||
|
||
## 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`show-dir`参数来控制是否输出绘制的图像。用户可以运行以下命令:
|
||
|
||
```shell
|
||
python tools/test.py {config} {checkpoint} --show-dir {/path/to/save/image} --opacity 1
|
||
```
|
||
|
||
## 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/master/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/master/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
|
||
```
|
||
|
||
**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`.
|