P7_MMSeg语义分割推理预测

7.1【K1】用训练得到的模型预测-单张图片

1.进入MMSegmentation主目录

2.导入工具包

运行

点击查看代码

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inlinefrom mmseg.apis import init_model, inference_model, show_result_pyplot
import mmcv
import cv2

报错如下：

点击查看代码

D:\anaconda3\envs\MMSeg\lib\site-packages\tqdm\auto.py:21: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.htmlfrom .autonotebook import tqdm as notebook_tqdm

核心原因：
tqdm 是进度条工具，在 Jupyter Notebook/Lab 中会尝试使用 ipywidgets 实现交互式进度条，但你的环境没安装或没启用该组件，所以报警告（不影响功能）

如果看着警告不舒服，安装 ipywidgets 并启用即可：
①在 Jupyter 单元格中运行（安装依赖）：
!pip install ipywidgets -q

②启用 widgets 扩展（Jupyter Notebook 需执行）：
!jupyter nbextension enable --py widgetsnbextension

③重启 Jupyter Notebook（关闭后重新打开），警告会消失

3.载入模型：KNet or 载入模型：Fast-SCNN

4.载入测试集图像，或新图像

D:\DeepLearning\Learn_SAM\mmsegmentation\Watermelon87_Semantic_Seg_Mask

可以换成其他图像，用opencv载入进来

训练集：训练模型；测试集：评估模型

5.语义分割预测

字典

6.语义分割预测结果-定性

7.语义分割预测结果-定量

8.可视化语义分割预测结果

方法一、方法二（和原图并排显示）、方法三（按配色方案叠加在原图上显示）、方法四（加图例）

9.获取测试集标注

10.对比测试集标注和语义分割预测结果

11.绘制混淆矩阵

7.2【K2】用训练得到的模型预测-视频

1.进入MMSegmentation主目录

2.1MMSegmentation官方视频/摄像头预测

可以使用demo文件中的video_demo传入一个待测是视频文件，传入config配置文件和checkpoint的权重文件，指定运算设备、透明度等等，即"D:\DeepLearning\Learn_SAM\mmsegmentation\demo\video_demo.py"。但是太慢了

2.2用OpenCV载入

这里使用opencv手动实现这个流程

3.导入工具包

4.载入训练好的模型

5.各类别的配色方案（BGR）

6.逐帧处理函数

7.视频逐帧处理

7.3【K3】测试集批量预测

1.进入MMSegmentation主目录

2.导入工具包

3.载入模型

4.指定各类别的配色方案

5.创建空文件夹，存放测试集预测结果

6.指定测试集路径（也可改成待测图像文件夹路径）

7.单张图像预测函数

8.测试集批量预测

9.删除系统自动生成的多余文件

（1）查看待删除的多余文件

（2）删除多余文件

（3）验证多余文件已删除

10.测试集批量预测结果可视化

【注意：用于预测的图片，不能是训练集中的图片】

7.4【L1】【L2】本地摄像头实时预测

暂时没有这个需求，就没有继续往下听了