源码地址: 论文相关源码
本片是基于最近比较红的SwinTransformer下的一个子分支做的，所以这篇主要记录我的搭建流程。
os: win10
cuda: 11.4
GPU: RTX3090(30系列显卡最好用最新的cuda, 不然会在编译mmcv-full的时候报错(例如nvcc fatal : Unsupported gpu architecture ‘compute_86‘)
参考
因为是自己编译，需要借助vs2019的编译器，从https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=Community&rel=16直接下载社区版即可，然后在安装的时候需要注意安装一个工作负荷以提供编译器：
安装完成后，使用everything搜索系统中是否存在vcvars64.bat文件，如果有的话直接CMD执行call命令初始化，然后输入cl验证是否安装成功：
直接去pytorch官网：https://pytorch.org/选择合适版本的pytorch，并在CMD中执行官网提供的pip命令即可
先激活或者新建你的conda环境，例如我的就叫做open-mmlab，注意在win10上装mmcv会比在linux上复杂，对于已经装了mmcv的环境，建议舍弃或者删除mmcv
pip uninstall mmcv
pip uninstall mmcv-full
然后从源码进行安装:
git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
set MMCV_WITH_OPS=1
pip install -e .#这一步时间很长
接着安装mmsegmentation
pip install git+https://github.com/open-mmlab/mmsegmentation.git
git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e . # 或者"python setup.py develop"
在mmsegmentation中新建一个checkpoints文件夹，里面放置从预训练权重仓库下载下来的权重，然后运行下面程序（图片和视频自行准备）
from mmseg.apis import inference_segmentor, init_segmentor
import mmcv
config_file = 'configs/setr/setr_pup_512x512_160k_b16_ade20k.py'
checkpoint_file = 'checkpoints/setr_pup_512x512_160k_b16_ade20k_20210619_191343-7e0ce826.pth'
# build the model from a config file and a checkpoint file
model = init_segmentor(config_file, checkpoint_file, device='cuda:0')
# test a single image and show the results
img = 'demo/test.jpg' # or img = mmcv.imread(img), which will only load it once
result = inference_segmentor(model, img)
# visualize the results in a new window
model.show_result(img, result, show=True)
# or save the visualization results to image files
# you can change the opacity of the painted segmentation map in (0, 1].
model.show_result(img, result, out_file='result.jpg', opacity=0.5)
# test a video and show the results
video = mmcv.VideoReader('demo/test.mp4')
for i, frame in enumerate(video):
result = inference_segmentor(model, frame)
model.show_result(frame, result, out_file='lbq_test/%s.jpg' % str(i), wait_time=0.1)
# for frame in video:
# result = inference_segmentor(model, frame)
# model.show_result(frame, result, wait_time=1)
暂时还没训练，最近在过模型。