配置

他的使用和 OpenMMLab 中 mmdetection 类似，在确定好需要的模型之后，按照其py文件里说明

例如 deeplabv3plus_r50-d8_512x512_40k_voc12aug.py 文件中

即该模型的配置源于四个部分的合并，四个部分分别是 模型配置、数据集配置、调度配置、还有个default_runtimes设置

建议自己新建一个模型的py文件，可以复制模型库中的文件进行修改，避免直接修改了原库文件

然后在上述四个文件的基础上，基于自己的模型特点还需要改写地方，例如此处的 num_class 注意此处与分类数对应。

这里最主要的应该是数据集配置，所以应该提前转换为标准的一些格式，例如官方文档中提到的，会减少很多麻烦事。

然后按照上述地址，分级打开依赖的文件，注意如果需要更改配置，尽量不要直接更改 _base_下的内容，应模仿上述中修改分类数的方式，重写原结构文件中的需要被修改的部分参数。

mmsegmentation 的配置方法相对于 mmdetection 级联的数目少了很多，需要改的地方也相对较少，可以参考我的另一个博客：

mmdetection2.0 配置训练自己的数据集和验证出错的问题。

训练

python tools/train.py ${CONFIG_FILE} [optional arguments]
./tools/dist_train.sh ${CONFIG_FILE} ${GPU_NUM} [optional arguments]

测试

# single-gpu testing
python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}] [--show]

# multi-gpu testing
./tools/dist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}]

版权声明：本文为CSDN博主「Big_Huang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Big_Huang/article/details/108777278