P3_安装配置MMSegmentation+预训练语义分割推理预测

3.1使用终端安装 MMSegmentation

按照顺序逐行运行本代码，即可安装配置 MMCV、MMSegmentation环境

【推荐代码运行云GPU环境：GPU RTX 3060、CUDA v11.3】

1.创建 Python 3.9 的虚拟环境

点击查看代码

#此处MMSeg为我的虚拟环境名称
conda create -n MMSeg python=3.9

按提示输入y确认安装；

2.激活新环境

点击查看代码

#此处MMSeg为我的虚拟环境名称
conda activate MMSeg

3.安装Pytorch

官网https://pytorch.org

输入这个报错：

点击查看代码

!pip3 install install torch==1.10.1+cu113 torchvision==0.11.2+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

改成输入下面这个：

点击查看代码

pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 -i https://pypi.tuna.tsinghua.edu.cn/simple -f https://download.pytorch.org/whl/cu113/torch_stable.html

接着直接在命令行输入 python 并回车，进入 Python 交互环境（此时会显示>>>提示符）

点击查看代码

(MMSeg) C:\Users\ASUS>python
Python 3.9.25 (main, Nov  3 2025, 22:44:01) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.

然后依次输入回车以下代码验证：

点击查看代码

import torch
print(torch.__version__)  # 查看PyTorch版本
print(torch.cuda.is_available())  # 检查CUDA是否可用
print(torch.version.cuda)  # 查看CUDA版本

我的代码显示如下：

点击查看代码

>>> print(torch.__version__)
1.10.1+cu113
>>> print(torch.cuda.is_available())
True
>>> print(torch.version.cuda)
11.3

退出 Python 交互环境：

点击查看代码

>>> exit()
(MMSeg) C:\Users\ASUS>  # 回到命令行环境

4.用MIM安装MMCV

点击查看代码

pip install -U openmim
mim install mmengine
mim install mmcv==2.0.0

5.安装其它工具包

点击查看代码

pip install opencv-python pillow matplotlib seaborn tqdm pytorch-lightning mmdet>=3.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple#!pip install setuptools==59.5 prettytable

命令输入后，终端长时间停留在空白状态（没有任何文字输出），既不报错也不显示安装进度

所以：

（1）在命令行中按 Ctrl+C强制终止当前命令，确保终端恢复到可输入状态

（2）将命令拆分成小部分，先安装单个包测试是否正常:

点击查看代码

# 先测试基础包安装（无复杂依赖）
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

（3）若单个包能正常安装，说明网络和pip基本正常，再逐步添加其他包：

点击查看代码

# 依次添加其他包
pip install pillow matplotlib seaborn tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pytorch-lightning -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install mmdet>=3.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

（4）其中，前面两个库都安装成功了，但是安装到第三个库的时候出现了以下错误：

点击查看代码

Successfully installed aiohttp-3.13.2 pytorch-lightning-2.5.5 torchmetrics-1.8.2(MMSeg) C:\Users\ASUS>pip install mmdet>=3.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
WARNING: Ignoring invalid distribution -orch (d:\anaconda3\envs\mmseg\lib\site-packages)
WARNING: Ignoring invalid distribution -orch (d:\anaconda3\envs\mmseg\lib\site-packages)
WARNING: Ignoring invalid distribution -orch (d:\anaconda3\envs\mmseg\lib\site-packages)(MMSeg) C:\Users\ASUS>

（5）先强制终止并重新执行命令：
按 Ctrl + C 确保命令已终止，然后重新执行，指定具体版本（避免版本范围解析问题）：

点击查看代码

(MMSeg) C:\Users\ASUS> pip install mmdet==3.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

（用 ==3.1.0 替代 >=3.1.0，减少版本解析的复杂度）

（6）测试安装成功没：

点击查看代码

(MMSeg) C:\Users\ASUS>python
Python 3.9.25 (main, Nov  3 2025, 22:44:01) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import mmdet
>>> print(mmdet.__version__)
3.1.0
>>>

6.下载 MMSegmentation

（1）代码

点击查看代码

# 删掉原有的 mmsegmentation 文件夹（如有）
# Linux/macOS：!rm -rf mmsegmentation
# Windows 命令行：
rd /s /q mmsegmentation

（2）结果如下：

点击查看代码

(MMSeg) C:\Users\ASUS>rd /s /q mmsegmentation
系统找不到指定的文件。

（3）【deepseek】：

这个提示说明当前目录下没有名为 mmsegmentation 的文件夹，所以删除命令执行失败，属于正常现象，无需担心。
原因分析：rd /s /q mmsegmentation 命令的作用是删除当前路径下的 mmsegmentation 文件夹，但系统提示 “找不到指定的文件”，说明该文件夹原本就不存在（或已被删除）。这通常是因为你之前没有下载过 mmsegmentation，或者已经手动删除过，所以无需再执行删除操作。

（4）安装

点击查看代码

# 从 github 上下载最新的 mmsegmentation 源代码
git clone https://github.com/open-mmlab/mmsegmentation.git -b v1.1.2
# !git clone https://github.com/open-mmlab/mmsegmentation.git -b v1.2.0

（5）安装报错了，没有安装git：

点击查看代码

(MMSeg) C:\Users\ASUS>git clone https://github.com/open-mmlab/mmsegmentation.git -b v1.1.2
'git' 不是内部或外部命令，也不是可运行的程序或批处理文件。

（6）现在去安装：

1）官网下载：https://git-scm.com/install/windows

2）根据知乎这篇帖子安装配置：
https://zhuanlan.zhihu.com/p/597447255

3）在D:\DeepLearning\Software\Config_Git右键——>git bash here

配置邮箱和用户名(–global表示全局配置)：

点击查看代码

#配置用户名
git config --global user.name "test"#配置邮箱
git config --global user.email  abc@163.com

4）结果如下：

5）在Vscode里面配置git：
https://www.bilibili.com/video/BV1Hkr7YYEh8/?spm_id_from=333.337.search-card.all.click&vd_source=27b7c394f170c1b8c810babcdfae23cb

①注册github账号：xxx@163.com
②打开Vscode

③在桌面创建Git_demo文件夹并拖拽到Vscode，创建index.html，输入感叹号并保存

④点击左侧第三个图标：源代码管理-Initialize Repository初始化仓库(创建游戏存档)-Commit提交(保存游戏存档)-first_save：

然后添加一行代码，commit-sceond_demo，这样就在本地，使用我们的git来做简单的提交，进行代码的保存

⑤git远程提交

如何将我们的代码像刚才的游戏存档一样，发送给我们的Steam这样一种远程的服务器？

github就是这样一个远程的仓库

操作：Publish Branch（发布Branch),会自动打开默认浏览器，链接GitHub

⑥新建文件hello.js，并commit为add_hello.js；此时，本地仓库已经处在add_hello进度，而远程仓库github还处于sceond_demo的进度，落后于本地仓库；所以再同步更改到远程服务器，就能保持相同进度，将add_hello.js添加到了github上了；

⑦在GitHub上点击右上角new repository(新建仓库)-仓库名-私有-创建仓库；

（7）安装成功后：
1）关闭当前的 Anaconda Prompt（确保环境变量生效），重新打开。
2）激活 MMSeg 环境：
conda activate MMSeg

3）输入以下命令验证 Git 是否安装成功：

git --version
结果如下：
git version 2.51.2.windows.1
4）重新执行克隆命令
在激活的 MMSeg 环境中，再次执行克隆命令：
git clone https://github.com/open-mmlab/mmsegmentation.git -b v1.1.2

（8）此时会正常下载 mmsegmentation v1.1.2 版本的源代码，完成后当前目录下会生成mmsegmentation 文件夹：

C:\Users\ASUS\mmsegmentation

（9）输入python：

点击查看代码

# 进入主目录
import os
os.chdir('mmsegmentation')

（10）报错如下：

点击查看代码

(MMSeg) C:\Users\ASUS>import os
'import' 不是内部或外部命令，也不是可运行的程序或批处理文件。(MMSeg) C:\Users\ASUS>os.chdir('mmsegmentation')
'os.chdir' 不是内部或外部命令，也不是可运行的程序或批处理文件。

【import os 和 os.chdir(...) 是Python 代码，只能在 Python 交互环境（>>>提示符）中执行，不能直接在命令行（(MMSeg) C:\Users\ASUS>）中运行，因此会提示 “不是内部或外部命令”。】

（11）解决方案：

方法 1：在 Python 交互环境中切换目录（执行 Python 代码）

点击查看代码

# 先进入 Python 交互环境：
(MMSeg) C:\Users\ASUS> python
>>>  # 出现这个提示符，说明进入了Python环境#然后：
>>> import os
>>> os.chdir("mmsegmentation")  # 切换到mmsegmentation文件夹
>>> # 验证是否切换成功
>>> print(os.getcwd())  # 输出当前路径，应包含mmsegmentation

方法 2：直接用命令行切换目录（更简单，推荐）:

点击查看代码

(MMSeg) C:\Users\ASUS> cd mmsegmentation  # 切换到该文件夹(MMSeg) C:\Users\ASUS\mmsegmentation>  # 提示符变化，说明切换成功

7.安装 MMSegmentation

pip install -v -e .

8.下载预训练模型权重文件和视频素材

点击查看代码

import os
# 创建 checkpoint 文件夹，用于存放预训练模型权重文件
os.mkdir('checkpoint')
# 创建 outputs 文件夹，用于存放预测结果
os.mkdir('outputs')
# 创建 data 文件夹，用于存放图片和视频素材
os.mkdir('data')
# 创建 图表 文件夹，用于存放生成的图表
os.mkdir('图表')
# 创建 daiyali-Configs 文件夹，用于存放自己的语义分割模型的 config 配置文件
os.mkdir('daiyali-Configs')

安装成功：

9.检查安装成功

（1）检查 Pytorch

点击查看代码

# 检查 Pytorch
import torch, torchvision
print('Pytorch 版本', torch.__version__)
print('CUDA 是否可用',torch.cuda.is_available())

①本来输出结果应该这样：

点击查看代码

Pytorch 版本 1.10.0+cu113
CUDA 是否可用 True

②结果从输入torch, torchvision就报错：

点击查看代码

(MMSeg) C:\Users\ASUS\mmsegmentation>python
Python 3.9.25 (main, Nov  3 2025, 22:44:01) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import os
>>> import torch, torchvision
D:\anaconda3\envs\MMSeg\lib\site-packages\torchvision\io\image.py:11: UserWarning: Failed to load image Python extension: [WinError 127] 找不到指定的程序。warn(f"Failed to load image Python extension: {e}")

③【核心问题分析】：
版本异常：PyTorch 版本从 1.10.0+cu113 变成了 2.8.0+cpu（可能是后续安装其他库时，自动升级 / 替换了 PyTorch 版本）。
CUDA 失效：+cpu 版本的 PyTorch 不支持 CUDA，因此 torch.cuda.is_available() 输出 False。

④解决方法：

点击查看代码

# 1.退出Python交互环境
>>> exit()# 2.卸载PyTorch、TorchVision（确保清理干净）
(MMSeg) C:\Users\ASUS\mmsegmentation> pip uninstall torch torchvision torchaudio -y# 3.重新安装匹配的 CUDA 版本：用官方源安装，确保版本正确
(MMSeg) C:\Users\ASUS\mmsegmentation> pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio==0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple#4.重新进入 Python 环境，检查版本和 CUDA 状态
(MMSeg) C:\Users\ASUS\mmsegmentation> python
>>> import torch, torchvision
>>> print('PyTorch版本：', torch.__version__)  # 应显示 1.10.0+cu113
>>> print('CUDA是否可用：', torch.cuda.is_available())  # 应显示 True
>>> print('CUDA版本：', torch.version.cuda)  # 应显示 11.3

⑤输出结果如下：

⑤_1【输出结果第一部分】：

点击查看代码

(MMSeg) C:\Users\ASUS\mmsegmentation>pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio==0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple
WARNING: Ignoring invalid distribution -orch (d:\anaconda3\envs\mmseg\lib\site-packages)
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Looking in links: https://download.pytorch.org/whl/cu113/torch_stable.html
Collecting torch==1.10.0+cu113Downloading https://download.pytorch.org/whl/cu113/torch-1.10.0%2Bcu113-cp39-cp39-win_amd64.whl (2442.3 MB)━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 2.4/2.4 GB 7.2 MB/s  0:03:57
Collecting torchvision==0.11.1+cu113Downloading https://download.pytorch.org/whl/cu113/torchvision-0.11.1%2Bcu113-cp39-cp39-win_amd64.whl (3.2 MB)━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 3.2/3.2 MB 13.4 MB/s  0:00:00
Collecting torchaudio==0.10.0+cu113Downloading https://download.pytorch.org/whl/cu113/torchaudio-0.10.0%2Bcu113-cp39-cp39-win_amd64.whl (336 kB)
Requirement already satisfied: typing-extensions in d:\anaconda3\envs\mmseg\lib\site-packages (from torch==1.10.0+cu113) (4.15.0)
Requirement already satisfied: numpy in d:\anaconda3\envs\mmseg\lib\site-packages (from torchvision==0.11.1+cu113) (2.0.2)
Requirement already satisfied: pillow!=8.3.0,>=5.3.0 in d:\anaconda3\envs\mmseg\lib\site-packages (from torchvision==0.11.1+cu113) (11.3.0)
WARNING: Ignoring invalid distribution -orch (d:\anaconda3\envs\mmseg\lib\site-packages)
Installing collected packages: torch, torchvision, torchaudio
WARNING: Ignoring invalid distribution -orch (d:\anaconda3\envs\mmseg\lib\site-packages)
ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.
pytorch-lightning 2.5.5 requires torch>=2.1.0, but you have torch 1.10.0+cu113 which is incompatible.
torchmetrics 1.8.2 requires torch>=2.0.0, but you have torch 1.10.0+cu113 which is incompatible.
Successfully installed torch-1.10.0+cu113 torchaudio-0.10.0+cu113 torchvision-0.11.1+cu113

⑤_2【deepseek具体分析】：
1)torch1.10.0+cu113、torchvision0.11.1+cu113 已成功安装，

（最后一行 Successfully installed 确认），这意味着 CUDA 支持已恢复，后续依赖 PyTorch 1.10 + CUDA 11.3 的功能（如mmsegmentation）可以正常运行。
2)pytorch-lightning 2.5.5 和 torchmetrics 1.8.2 是较新版本，

它们明确要求 torch>=2.1.0 和 torch>=2.0.0，但你现在用的是 torch 1.10.0，版本不匹配，因此会提示 “dependency conflicts”（依赖冲突）。这会导致 pytorch-lightning 和 torchmetrics 可能无法正常使用（如果你的项目用到它们的话）。

⑤_3所以：两个方案

1）方案 1：如果项目需要 pytorch-lightning 和 torchmetrics
那么，降低这两个库的版本，使其与 torch 1.10.0 兼容：

点击查看代码

# 卸载高版本
pip uninstall pytorch-lightning torchmetrics -y# 安装兼容版本（经测试，以下版本与 torch 1.10.0 兼容）
pip install pytorch-lightning==1.5.10 torchmetrics==0.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

2）方案 2：如果项目不需要 pytorch-lightning 和 torchmetrics
可以忽略这个冲突（ERROR 仅为警告性质，不影响 PyTorch 本身和 mmsegmentation 的核心功能），或直接卸载它们。

⑤_4【输出结果第二部分】：

点击查看代码

>>> print('PyTorch版本：', torch.__version__)
PyTorch版本： 1.10.0+cu113
>>> print('CUDA是否可用：', torch.cuda.is_available())
CUDA是否可用： True
>>> print('CUDA版本：', torch.version.cuda)
CUDA版本： 11.3

（2）检查 mmcv

点击查看代码

# 检查 mmcv
import mmcv
from mmcv.ops import get_compiling_cuda_version, get_compiler_version
print('MMCV版本', mmcv.__version__)
print('CUDA版本', get_compiling_cuda_version())
print('编译器版本', get_compiler_version())

输出：

点击查看代码

#本来应该是：
MMCV版本 2.0.0
CUDA版本 11.3
编译器版本 GCC 9.3#我的输出为：
MMCV版本 2.0.0
CUDA版本 11.3
编译器版本 MSVC 192829924

【输出正确：GCC（GNU Compiler Collection）是 Linux/macOS 系统的默认编译器。
MSVC（Microsoft Visual C++）是 Windows 系统的编译器，192829924 对应 Visual Studio 2019 的版本，是 Windows 下编译 MMCV 的正常结果。】

（3）检查 mmsegmentation：

点击查看代码

# 检查 mmsegmentation
import mmseg
from mmseg.utils import register_all_modules
from mmseg.apis import inference_model, init_model
print('mmsegmentation版本', mmseg.__version__)

输出：
mmsegmentation版本 1.1.2

没有报错，即证明安装成功。

10.设置Matplotlib中文字体

（1）代码：

点击查看代码

# windows操作系统
plt.rcParams['font.sans-serif']=['SimHei']  # 用来正常显示中文标签 
plt.rcParams['axes.unicode_minus']=False  # 用来正常显示负号# Mac操作系统，参考 https://www.ngui.cc/51cto/show-727683.html
下载 simhei.ttf 字体文件
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/SimHei.ttf# Linux操作系统，例如 云GPU平台：https://featurize.cn/?s=d7ce99f842414bfcaea5662a97581bd1# 如果遇到 SSL 相关报错，重新运行本代码块即可
!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/SimHei.ttf -O /environment/miniconda3/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/ttf/SimHei.ttf
!rm -rf /home/featurize/.cache/matplotlib
import matplotlib 
matplotlib.rc("font",family='SimHei') # 中文字体

（2）运行结果如下：

点击查看代码

(MMSeg) C:\Users\ASUS\mmsegmentation>plt.rcParams['font.sans-serif']=['SimHei']
'plt.rcParams['font.sans-serif']' 不是内部或外部命令，也不是可运行的程序或批处理文件。(MMSeg) C:\Users\ASUS\mmsegmentation>python
Python 3.9.25 (main, Nov  3 2025, 22:44:01) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> plt.rcParams['font.sans-serif']=['SimHei']
Traceback (most recent call last):File "<stdin>", line 1, in <module>
NameError: name 'plt' is not defined

（3）原因：
这个错误是因为你没有先导入 matplotlib.pyplot 库就直接使用 plt 变量导致的。plt 是 matplotlib.pyplot 的常用别名，必须先导入库才能使用。

（4）解决：

点击查看代码

# 1. 先导入 matplotlib.pyplot 并简写为 plt
import matplotlib.pyplot as plt# 2. 再设置中文字体（解决中文显示乱码问题）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号（可选，防止负号显示为方块）

（5）测试：

点击查看代码

import matplotlib.pyplot as pltplt.plot([1,2,3], [100,500,300])
plt.title('matplotlib中文字体测试', fontsize=25)
plt.xlabel('X轴', fontsize=15)
plt.ylabel('Y轴', fontsize=15)
plt.show()

（6）测试成功：

3.2【B1】预训练语义分割模型预测-单张图像-命令行.ipynb

1.在Anaconda中安装Jupyter所需要的kernel

点击查看代码

(MMSeg) C:\Users\ASUS>pip install ipykernel
(MMSeg) C:\Users\ASUS>pip list
#出现了ipykernel
(MMSeg) C:\Users\ASUS>python -m ipykernel install --user --name pytorch_env --display-name "MMSegmentation"

然后打开jupyter：

点击查看代码

(MMSeg) C:\Users\ASUS>D:
(MMSeg) D:\>cd D:\DeepLearning\Learn_SAM\mmsegmentation
(MMSeg) D:\DeepLearning\Learn_SAM\mmsegmentation>jupyter notebook

2.在jupyter打开github的20230816/【B1】预训练语义分割模型预测-单张图像-命令行.ipynb

3.进入 mmsegmentation 主目录

（1）运行第一段代码报错：

点击查看代码

import os
os.chdir('mmsegmentation')---------------------------------------------------------------------------
FileNotFoundError                         Traceback (most recent call last)
Cell In[6], line 21 import os
----> 2 os.chdir('mmsegmentation')FileNotFoundError: [WinError 2] 系统找不到指定的文件。: 'mmsegmentation'

（2）修改mmsegmantation路径

我的jupyter默认地址在D盘，但是昨天安装配置的mmsegmantation在C盘：

【补3.1】

【现在想修改7的步骤，把mmesegmantation修改到D盘】

7_1安装 MMSegmentation

步骤 1：移动 mmsegmentation 文件夹到 D 盘

找到昨天在 C 盘的 mmsegmentation 文件夹（路径：C:\Users\ASUS\mmsegmentation）。
手动将整个文件夹剪切到 D 盘的目标路径（例如 D:\mmsegmentation，确保路径是纯英文，无空格 / 中文）。

步骤 2：重新安装 mmsegmentation 到新路径

①打开 Anaconda Prompt，激活 MMSeg 环境：
conda activate MMSeg

②进入 D 盘的 mmsegmentation 新路径

点击查看代码

# 切换到 D 盘
D:
# 进入新文件夹
cd D:\DeepLearning\Learn_SAM\mmsegmentation

③重新执行 “editable 模式” 安装（更新环境链接到新路径)

点击查看代码

pip install -v -e .

步骤 3：在新路径下重建相关文件夹（如果需要）

如果迁移后原有的 checkpoint、outputs 等文件夹未一起移动（或需要重新创建），在 Jupyter 或 Python 中执行以下代码（确保当前路径是 D 盘的 mmsegmentation）：

点击查看代码

import os# 切换到 D 盘的 mmsegmentation 路径（根据实际路径修改）
os.chdir(r'D:\mmsegmentation')# 重建所需文件夹
folders = ['checkpoint', 'outputs', 'data', '图表', 'daiyali-Configs']
for folder in folders:if not os.path.exists(folder):  # 若文件夹不存在则创建os.mkdir(folder)print(f"已创建文件夹：{folder}")else:print(f"文件夹已存在：{folder}")

步骤 4：验证迁移是否成功

在 Jupyter 或 Python 中执行以下代码，确认路径正确：

点击查看代码

import mmseg
import os# 查看 mmsegmentation 安装路径（应指向 D 盘）
print("mmsegmentation 安装路径：", mmseg.__file__)# 查看当前工作路径（应指向 D:\mmsegmentation）
print("当前工作路径：", os.getcwd())

输出结果如下：

点击查看代码

mmsegmentation 安装路径： D:\DeepLearning\Learn_SAM\mmsegmentation\mmseg\__init__.py
当前工作路径： D:\DeepLearning\Learn_SAM\mmsegmentation

（3）打开jupyter调试刚刚那段代码：
(MMSeg) D:\DeepLearning\Learn_SAM\mmsegmentation>jupyter notebook

4.载入测试图像

5.下载素材至data目录

【B1】所有代码基于Linux系统，所以修改代码

（1）代码

点击查看代码

#Windows下载命令：
import requests
import os# 确保 data 文件夹存在
if not os.path.exists('data'):os.mkdir('data')# 要下载的文件链接和保存路径
files = [# 伦敦街景图片("https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220713-mmdetection/images/street_uk.jpeg", "data/street_uk.jpeg"),# 卧室图片("https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20230130-mmseg/dataset/bedroom.jpg", "data/bedroom.jpg"),# 上海驾车街景视频("https://zihao-download.obs.cn-east-3.myhuaweicloud.com/detectron2/traffic.mp4", "data/traffic.mp4"),# 街拍视频("https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220713-mmdetection/images/street_20220330_174028.mp4", "data/street_20220330_174028.mp4")
]# 批量下载
for url, save_path in files:print(f"正在下载：{url}")response = requests.get(url, stream=True)with open(save_path, 'wb') as f:for chunk in response.iter_content(chunk_size=1024*1024):  # 1MB 分块下载if chunk:f.write(chunk)print(f"下载完成，保存到：{save_path}\n")

（2）运行结果如下：

点击查看代码

正在下载：https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220713-mmdetection/images/street_uk.jpeg
下载完成，保存到：data/street_uk.jpeg正在下载：https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20230130-mmseg/dataset/bedroom.jpg
下载完成，保存到：data/bedroom.jpg正在下载：https://zihao-download.obs.cn-east-3.myhuaweicloud.com/detectron2/traffic.mp4
下载完成，保存到：data/traffic.mp4正在下载：https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220713-mmdetection/images/street_20220330_174028.mp4
下载完成，保存到：data/street_20220330_174028.mp4

6.从Model Zoo中选择预训练语义分割模型的config文件和checkpoint权重文件

（1）Model Zoo：https://github.com/open-mmlab/mmsegmentation/tree/main#benchmark-and-model-zoo

（2）如jupyter上所示，作者选的是Segformer算法的Cityscpaes数据集预训练模型和Segformer算法的ADE20K数据集预训练模型

（3）config文件和checkpoint文件如下：

（5）复制以上图片处的config和model的网址，如下：

注意，config文件和checkpoint文件是一一对应的

Segformer算法，Cityscpaes数据集预训练模型

点击查看代码

configs/segformer/segformer_mit-b5_8xb1-160k_cityscapes-1024x1024.py
https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b5_8x1_1024x1024_160k_cityscapes/segformer_mit-b5_8x1_1024x1024_160k_cityscapes_20211206_072934-87a052ec.pth

Segformer算法，ADE20K数据集预训练模型

点击查看代码

configs/segformer/segformer_mit-b5_8xb2-160k_ade20k-640x640.py
https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b5_640x640_160k_ade20k/segformer_mit-b5_640x640_160k_ade20k_20210801_121243-41d2845b.pth

7.Segformer算法，Cityscpaes数据集预训练模型

（1）运行jupyter代码，报错：
RuntimeError: Numpy is not available

（2）NumPy 版本不兼容导致的

（我安装的是 NumPy 2.0.2，而旧版本的 PyTorch 和 MMSegmentation 依赖 NumPy 1.x）

（3）解决：

①1卸载当前的 NumPy 2.0.2
在命令行（或 Jupyter 中加 !）执行：
pip uninstall numpy -y

②安装兼容的 NumPy 1.x 版本
安装 NumPy 1.26.4（与 PyTorch 1.10.0 兼容的稳定版本）：

pip install numpy==1.26.4 -i https://pypi.tuna.tsinghua.edu.cn/simple

③重新执行推理命令

完成后，再次运行之前的图像分割命令

结果如下：

8.Segformer算法，ADE20K数据集预训练模型

（1）运行代码：

点击查看代码

!python demo/image_demo.py \data/bedroom.jpg \configs/segformer/segformer_mit-b5_8xb2-160k_ade20k-640x640.py \https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b5_640x640_160k_ade20k/segformer_mit-b5_640x640_160k_ade20k_20210801_121243-41d2845b.pth \--out-file outputs/B1_Segformer_ade20k.jpg \--device cuda:0 \--opacity 0.5

（2）输出报错：

点击查看代码

RuntimeError: CUDA out of memory. Tried to allocate 7.21 GiB (GPU 0; 4.00 GiB total capacity; 668.59 MiB already allocated; 1.57 GiB free; 704.00 MiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

【如果报错RuntimeError: CUDA out of memory.显存不够
解决方式：换用更大显存的GPU实例、换用占用显存更小的模型、缩小输入图像尺寸、重启kernel】

（3）换用占用显存更小的模型

Segformer算法的ADE20K数据集换用更小的预训练模型

点击查看代码

#点击config，复制configs后面的网址
configs/segformer/segformer_mit-b0_8xb2-160k_ade20k-512x512.py
#右键点击model，“复制链接地址”
https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b0_512x512_160k_ade20k/segformer_mit-b0_512x512_160k_ade20k_20210726_101530-8ffa8fda.pth

（4）运行：

点击查看代码

# !python demo/image_demo.py \
#         data/bedroom.jpg \
#         configs/segformer/segformer_mit-b5_8xb2-160k_ade20k-640x640.py \
#         https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b5_640x640_160k_ade20k/segformer_mit-b5_640x640_160k_ade20k_20210801_121243-41d2845b.pth \
#         --out-file outputs/B1_Segformer_ade20k.jpg \
#         --device cuda:0 \
#         --opacity 0.5
#(1)报错：RuntimeError: CUDA out of memory.显存不够# !python demo/image_demo.py \
#         data/bedroom.jpg \
#         configs/segformer/segformer_mit-b0_8xb2-160k_ade20k-512x512.py \
#         https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b0_512x512_160k_ade20k/segformer_mit-b0_512x512_160k_ade20k_20210726_101530-8ffa8fda.pth \
#         --out-file outputs/B1_Segformer_ade20k.jpg \
#         --device cpu \  # 改为 CPU 推理
#         --opacity 0.5
# (2)报错：  Cell In[14], line 11
#     --opacity 0.5
#     ^
# IndentationError: unexpected indent!python demo/image_demo.py \
data/bedroom.jpg \
configs/segformer/segformer_mit-b0_8xb2-160k_ade20k-512x512.py \
https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b0_512x512_160k_ade20k/segformer_mit-b0_512x512_160k_ade20k_20210726_101530-8ffa8fda.pth \
--out-file outputs/B1_Segformer_ade20k.jpg \
--device cpu \
--opacity 0.5
#关闭电脑其他进程，以上代码，运行成功

（5）运行成功

点击查看代码

Loads checkpoint by http backend from path: https://download.openmmlab.com/mmsegmentation/v0.5/segformer/segformer_mit-b0_512x512_160k_ade20k/segformer_mit-b0_512x512_160k_ade20k_20210726_101530-8ffa8fda.pth

（6）成果