视频链接：MMSegmentation代码课
教程链接：MMSegmentation_Tutorials/20230612

1. 自定义数据集

参考文档：https://mmsegmentation.readthedocs.io/en/main/advanced_guides/add_datasets.html

1.0 整理数据集为特定格式

── data
│   ├── my_dataset
│   │   ├── img_dir # 这个名字最好也改成一样的，因为config里data_root那些也用的是这个
│   │   │   ├── train
│   │   │   │   ├── xxx{img_suffix}
│   │   │   │   ├── yyy{img_suffix}
│   │   │   │   ├── zzz{img_suffix}
│   │   │   ├── val
│   │   ├── ann_dir
│   │   │   ├── train
│   │   │   │   ├── xxx{seg_map_suffix}
│   │   │   │   ├── yyy{seg_map_suffix}
│   │   │   │   ├── zzz{seg_map_suffix}
│   │   │   ├── val

1.1 持久化运行（用文件定义）

主要对两个文件进行操作：

1. 自定义一个数据集类，比如要对西瓜进行语义分割，则可以创建一个watermelon.py类，要放在mmsegmentation/mmseg/datasets/watermelon.py，里面要实现一个WatermelonDataset(BaseSegDataset)类，继承mmcv里的默认base数据集类
2. 对mmsegmentation/mmseg/datasets/__init__.py进行修改，把刚刚定义的那个WatermelonDataset索引到这里面
3. 保证把这两个文件放到对应的位置，
   • 如果是在本地等比较方便的地方操作，可以直接文件管理器操作；
   • 如果是jupyter环境等不太方便可视化操作的远程环境，可以

   # 使用三组双引号，就是保留这个字符串里所有格式（包括回车），所以三组双引号里的内容会被原样写入文件中
   	watermelon = """ watermelon.py文件里的内容 """
   	watermelon_save_path = "/content/mmsegmentation/mmseg/datasets/watermelon.py"
   	with open(watermelon_save_path,'w') as f:
   	    f.write(watermelon)
   # 同理，__init__文件也是
   	initModified=""" __init__.py文件里的内容 """
   	init_path = "/content/mmsegmentation/mmseg/datasets/__init__.py"
   with open(init_path,'w') as f:
     f.write(initModified)
   

"""
文件内容举例，西瓜语义分割，
红色：瓜瓤；绿色：瓜皮；白色：里面的靠近瓜皮的那些白瓤；白色种子；黑色种子；tabBlue(除西瓜之外的背景部分)，是unlabeled的
"""

<!----mmsegmentation/mmseg/datasets/watermelon.py------>

from .basesegdataset import BaseSegDataset
from mmseg.registry import DATASETS
@DATASETS.register_module()
class WatermelonDataset(BaseSegDataset):
    METAINFO = dict(
    	# 注意，unlabeled放最后
        classes=('red', 'green', 'white',
                 'seed-black', 'seed-white', 'tabBlue'),
        # 颜色是RGB顺序的
        palette=[[214, 39, 40], [44, 160, 44], [255, 255, 255],
                 [0, 0, 0], [255, 255, 255], [31, 119, 180]])

    def __init__(self,
                 img_suffix='.jpg', # 图像的后缀
                 seg_map_suffix='.png', # mask语义分割标签的后缀
                 reduce_zero_label=False, # 是否要移除ID为0的标签
                 **kwargs) -> None:
        super().__init__(
            img_suffix=img_suffix,
            seg_map_suffix=seg_map_suffix,
            reduce_zero_label=reduce_zero_label,
            **kwargs)

<!-------mmsegmentation/mmseg/datasets/__init__.py>
# 添加import
from .watermelon import WatermelonDataset
# 把WatermelonDataset加到__all__数组的最后
__all__ = [
    'BaseSegDataset', 'BioMedical3DRandomCrop', 'BioMedical3DRandomFlip',
    'CityscapesDataset', 'PascalVOCDataset', 'ADE20KDataset',
    'PascalContextDataset', 'PascalContextDataset59', 'ChaseDB1Dataset',
    'DRIVEDataset', 'HRFDataset', 'STAREDataset', 'DarkZurichDataset',
    'NightDrivingDataset', 'COCOStuffDataset', 'LoveDADataset',
    'MultiImageMixDataset', 'iSAIDDataset', 'ISPRSDataset', 'PotsdamDataset',
    'LoadAnnotations', 'RandomCrop', 'SegRescale', 'PhotoMetricDistortion',
    'RandomRotate', 'AdjustGamma', 'CLAHE', 'Rerange', 'RGB2Gray',
    'RandomCutOut', 'RandomMosaic', 'PackSegInputs', 'ResizeToMultiple',
    'LoadImageFromNDArray', 'LoadBiomedicalImageFromFile',
    'LoadBiomedicalAnnotation', 'LoadBiomedicalData', 'GenerateEdge',
    'DecathlonDataset', 'LIPDataset', 'ResizeShortestEdge',
    'BioMedicalGaussianNoise', 'BioMedicalGaussianBlur',
    'BioMedicalRandomGamma', 'BioMedical3DPad', 'RandomRotFlip',
    'SynapseDataset', 'REFUGEDataset', 'MapillaryDataset_v1',
    'MapillaryDataset_v2', 'WatermelonDataset'
]

例如：

也可以直接去这里看：
https://github.com/open-mmlab/mmsegmentation/blob/main/mmseg/datasets/cityscapes.py
，这个文件夹中所有支持的数据集都是以上面类似的格式定义的。

注意：

• 这里虽然也是METAINFO，和之前MMPretrain里属性名称一样，但是MMPretrain只需要在py文件里写上这个属性，不需要额外定义一个数据集类，是因为其提供了一个自定义数据集类。
• 而MMSegmentation需要自己提供数据集类，两个库并不一样。MMPretrain是针对分类任务的，MMSegmentation是语义分割任务

1.2 运行时生效（直接运行时定义一个class）

直接在代码中运行以下内容：

# 只有第一行引用的时候变了
from mmseg.datasets.basesegdataset import BaseSegDataset
from mmseg.registry import DATASETS

@DATASETS.register_module()
class WatermelonDataset(BaseSegDataset):
    METAINFO = dict(
        classes=('red', 'green', 'white','seed-black', 'seed-white','tabBlue'),
        palette=[[214, 39, 40], [44, 160, 44], [255, 255, 255],[0, 0, 0],
         [255, 255, 255],[31, 119, 180],])

    def __init__(self,
                 img_suffix='.jpg',
                 seg_map_suffix='.png',
                 reduce_zero_label=False,
                 **kwargs) -> None:
        super().__init__(
            img_suffix=img_suffix,
            seg_map_suffix=seg_map_suffix,
            reduce_zero_label=reduce_zero_label,
            **kwargs)

1.3 注意事项

①记得用的时候要注册：

from mmengine.runner import Runner
from mmseg.utils import register_all_modules

# register all modules in mmseg into the registries
# do not init the default scope here because it will be init in the runner
register_all_modules(init_default_scope=False)

---

②确认环境：
一般认为有两种安装方式，git源码安装，pip/mim安装

git clone https://github.com/open-mmlab/mmsegmentation.git -b dev-1.x
cd mmsegmentation && pip install -v -e .

pip install "mmsegmentation>=1.0.0"

由于会对具体文件进行操作，所以其实建议走git源码安装，如果运行报错这个数据类没有注册，考虑一下自己现在运行的是git源码安装的环境，还是pip/mim安装的环境

2. 配置文件

一般都是基于预训练模型对应的配置文件进行修改

from mmengine import Config
raw_config_path ="/content/mmsegmentation/configs/pspnet/pspnet_r18-d8_4xb4-80k_potsdam-512x512.py"
cfg = Config.fromfile(raw_config_path)

①可以利用代码进行修改

cfg.train_dataloader.dataset.type='WatermelonDataset'
cfg.val_dataloader.dataset.type='WatermelonDataset'
cfg.test_dataloader.dataset.type='WatermelonDataset'

cfg.train_dataloader.dataset.data_root='/content/Watermelon87_Semantic_Seg_Mask'
cfg.val_dataloader.dataset.data_root='/content/Watermelon87_Semantic_Seg_Mask'
cfg.test_dataloader.dataset.data_root='/content/Watermelon87_Semantic_Seg_Mask'

cfg.test_dataloader = cfg.val_dataloader

②保存成文件再修改

• 由于MMengine的config都是继承的，所以上面原始的config文件里都是引用其它文件的内容，想要查看完整的配置，可以

from mmengine import Config
# 查看完整的配置文件（包括继承的）
print(cfg.pretty_text)

config_file_path = '/content/drive/MyDrive/OpenMMLab/Exercise_4/pspnet-watermelon_20230618.py'
cfg.dump(config_file_path)

• 然后直接在保存的有完整配置的那个py文件里进行修改

3. 运行训练和测试

可以用脚本模式，也可以用提供的API

可以

# 使用脚本命令行，看起来要稍微复杂一点
# 测试精度评估
!python /content/mmsegmentation/tools/test.py \
/content/drive/MyDrive/OpenMMLab/Exercise_4/pspnet-watermelon_20230618.py\
/content/drive/MyDrive/OpenMMLab/workdir/PSPNet/iter_1000.pth\
--work-dir /content/drive/MyDrive/OpenMMLab/workdir/PSPNet

# 测试速度评估
!python /content/mmsegmentation/tools/analysis_tools/benchmark.py \
/content/drive/MyDrive/OpenMMLab/Exercise_4/pspnet-watermelon_20230618.py\
/content/drive/MyDrive/OpenMMLab/workdir/PSPNet/iter_1000.pth\
--work-dir /content/drive/MyDrive/OpenMMLab/workdir/PSPNet

也可以

from mmengine import Config

config_file_path = '/content/drive/MyDrive/OpenMMLab/Exercise_4/pspnet-watermelon_20230618.py'
cfg = Config.fromfile(config_file_path)

from mmengine.runner import Runner
from mmseg.utils import register_all_modules
register_all_modules(init_default_scope=False)
runner = Runner.from_cfg(cfg) 
# 这步其实就会打印出配置信息，创建work_dirs文件夹了，
# 同时这步就会把数据文件路径那些读进来，所以如果数据有问题，就要从这步重新开始执行

runner.train() # 训练
runner.test() # 直接使用上面runner的训练结果权重进行test，config也是同一个

X. 其他语义分割数据集

• kaggle：Glomeruli (HuBMAP external) 1024x1024-小鼠肾小球组织病理切片语义分割
• kaggle：Semantic segmentation of aerial imagery-迪拜卫星航拍多类别语义分割
  • 所以kaggle不仅有竞赛，也有没有竞赛的单纯的数据集。。。