1.配置环境

stage1：创建python环境

conda create --name openmmlab python=3.8 -y
conda activate openmmlab

stage2：安装pytorch（这里我是以torch1.10.0为例）

pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113

stage3：安装MMCV，全部都可以加上清华源，-i https://pypi.tuna.tsinghua.edu.cn/simple

pip install openmim
pip install mmengine
pip install "mmcv>=2.0.0"

但是，这里在安装mmcv的时候，容易出错，比如：ImportError: DLL load failed while importing _ext: 找不到指定的程序。
很大就是mmcv版本装的有问题。
我们定位到mmcv的安装文档

https://mmcv.readthedocs.io/en/latest/get_started/installation.html#install-mmcv

会有根据操作系统、cuda版本，以及torch的版本后，确定自己选择的mmcv版本，进而生成最终的安装指令。

stage4：安装MMSegmentation：
方式1：

git clone -b main https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -v -e .

方式2：

pip install "mmsegmentation>=1.0.0"

2.数据处理

这里我们以COCO Stuff 10k为例：tools/dataset_converters/coco_stuff10k.py

mkdir coco_stuff10k && cd coco_stuff10k
wget http://calvin.inf.ed.ac.uk/wp-content/uploads/data/cocostuffdataset/cocostuff-10k-v1.1.zip
unzip cocostuff-10k-v1.1.zip

下载并解压好，目录如下，我将他们统一放在data/coco_stuff10k文件夹下。

images存放的是.jpg格式的数据集图片。

annotations存放是.mat格式的标注文件，我们后边需要使用脚本转换成mask。

imageLists存放的是划分数据集对应于train和test的.txt文件，里面存放的是数据集的名称。

下面，需要将annotations存放是.mat格式的标注文件转换成mask的png图片，以及划分数据集。
mmsegmentation根路径下的tools/dataset_converters/coco_stuff10k.py。coco_path 指向我们解压好的数据集根路径，out_dir 指向data下的output，用于存放转换的mask。

python tools/dataset_converters/coco_stuff10k.py coco_path data/coco_stuff10k --out_dir data/dataset

就会生成如下的文件夹，已经划分好数据集，并且标注文件全部由.mat转换成了.png。

3.训练

训练脚本就是mmsegmentation根路径下的tools/train.py。主要就是指定config文件，以及输出文件夹路径。
config文件包含网络模型和数据的配置，这里就以mask2former和coco_stuff10k数据集为例：
其中，这里我选择的配置文件，就是模型的配置文件等，均以字典形式保存，都在configs文件夹下，我们找到自己想使用的模型。

比如，我们使用mask2former文件下的mask2former_r50_8xb2-90k_cityscapes-512x1024.py这个配置文件，主要看_base_列表。

这里我们因为是使用coco_stuff10k，更改为../_base_/datasets/coco-stuff10k.py，并定位到configs/_base_/datasets/coco-stuff10k.py。将这里的data_root更换为上面处理好的数据集根路径即可。

开始训练：

python tools/train.py config configs/mask2former/mask2former_r50_8xb2-90k_cityscapes-512x1024.py --work-dir output