环境搭建:
(1)首先本代码是下载的mmdetection-2022.9的,所以它的版本要配置好,本源码配置例如mmcv1.7,python3.7,pytorch1.13,cuda11.7。pytorch与python,cuda版本匹配可参考：https://www.jb51.net/python/3308342lx.htm。
(2)还有一个是先要安装一个vs2022版本或vs2019,其中确保工作负载下"使用C++的桌面开发"的内容基本安装上
(3)数据集就用coco集，在参数配置中指定目录,例如../configs/mask2former目录下的.py文件
一.Backbone获取多层级特征
(1)进入train.py读取各个配置参数,构建模型调用Mask2Former类,如下图：
有了model(Mask2Former)，datasets(COCO数据集)和cfg后就传入下面的方法：
(2)进入Mask2Former模块,然后调用MaskFormer模块，如下图：
(3)进入MaskFormer类中，并进入def forward_train这个方法中,如下图：
然后
进入父类BaseDetector的forward_train方法：
回到maskformer.py中，如下图：
(4)进入head层,因为mask2former_head的父类是maskformer_head，所以会先调父类中的forward_train方法后再进入到了mask2former_head中的forward方法中，mask2former_head.py这个类很重要，如下图：
二.多层级采样点初始化构建
对输入的每一张特征图加上位置编码，这个FOR中的特征图是256
上图中得到的level_embed就是按每个层级取出的值,它是一个256维的向量,下面用view转成四维向量后与位置编码(pos_embed)做加法。
然后调用point_generator中的single_level_grid_priors方法,如下图：
shift_x与shift_y都是32的一维矩阵，
做成网络后就是32*32=1024的一维矩阵,然后做合并得到棋盘上的位置
返回到msdeformattn_pixel_decoder.py中，如下图：
它是维度转变后1024在最前面的
三.多层级输入特征序列创建方法
上图中的所说的是进入transformer.py中的DetrTransformerEncoder类下的forward方法。
四.偏移量与权重计算并转换
还是在transformer.py中,对每一层(例如selfattention,bn,norm,ffn,全连接)进行for，如果是self_attn
执行selfattention层时,进入到了multi_scale_deform_attn.py中，
进入到multi_scale_deform_attn.py中的forward方法：
下面做了多头注意力机制,变成8头：
重点来了，对query做sampling_offsets与attention_weights方法后并调用view变形得到相应的每个点的偏移量与权重(softmax),偏移量到时候做采样时用到,最后还要对这二个值做乘法，如下图：
其中sampling_offsets这个是全连接层，如下图：
由这4个采样点找它们的偏移量,每个偏移量都有x,y二个值组成。
为什么这里权重值是96呢？因为每个偏移量是一个点，它只是这个点有x,y组成，但权重是指这个点的权重，所以就是上面偏移量输出的192/2=96了(也等以8*(3*4)=8*12)。
上图中的levels是指层级数,points是指采样点数。
五.Encoder特征构建方法实例
偏移量有了，现在我们执行特征计算操作了，而原来特征不准,现在要把新的偏移完的准确的特征拿到手，所以这里也要做特征的偏移。还是在multi_scale_deform_attn.py中，
上图中对齐特征是要重新进行采样的,这里的特征偏移范围是[-1，1]。
做完这一步后返回到transformer.py这里，发现就是做了一个self_attn层的操作,得到query值，如下图所示：
做完ffn全连接后再做norm，就算做完一个层级采样了,其它层级采样也是一样按这样流程的，最后把每一层级执行完后就得到特征值,返回到msdeformattn_pixel_decoder.py中，存到了“(3)多层级输入特征序列创建方法”所说的memory变量(它存的是编码完后特征)中,如下图：
总结一下这里encoder是做了什么：其实就是和可变形detr是一样的，就是对展开的序列提特征，我们是希望它是多层级，多头注意力机制和加上可变形的位置偏移，这样可以得到我们序列更好的特征。
还是在msdeformattn_pixel_decoder.py中，总共3个层级，每个层级的大小(图像上的点的个数)分别是1024(它是由32*32得到)，4096(它是由64*64得到)与16384(它是由128*128得到)如下图：
等下就用这个y用来预测一下是每个点是前景还是背景？
六.query要预测的任务解读
返回到mask2former_head.py类中,至此self.pixel_decoder方法调用结束(主要是transformer编码这一块),准备decoder解码了。
上图的query_feat中初始化的100是指decoder中会找100样东西，例下图：
下面开始调用forward_head方法：
这个会找到这100个的前景与背景分别是那些?
七.Decoder中的AttentionMask方法
上图中调用sigmoid()后的值是在0至1之间范围之间。
返回上面3张图的预测值
现在又跳回到transformer.py的baseTransformer当中，
八.损失模块输入参数分析
返回到mask2former_head.py中,如下图：
有了cls_pred_list,mask_pred_list这二个结果(10层)后,接下来就去计算每一层的损失函数结果了。返回到maskformer_head.py文件中,如下图：
上图中的81=80+1,其中80是实际类别,1表示背景。
gt_masks是指标注的信息。
九.标签分配策略解读
进入到mask2former_head.py中的loss_single方法中,它是对每一层进行处理(共10层),
get_targets方法目的就是找正负样本,这个方法是在maskformer_head.py中，对于每一张图像它的正负样本是不一样的。
调用上图的multi_apply会进入到mask_hungarian_assigner.py中的assign方法,这里主要进行标签分配，如下图：
上图100个-1的值当中，如果与标签匹配上就修改里面-1值。
上图中标签分配考虑的三方面其实就对应分类,mask，iou这三方面的损失。
十.正样本筛选损失计算
还是在mask_hungarian_assigner.py中，
上图中的gt_labels是10个标签。调用cls_cost方法后会进入到match_cost.py中，如下图:
上图中调用了softmax方法后即把cls_pred变成概率值了(0------1之间的值)，
同时cls_cost的第2个维度是10了,即返回值变成了(100,10),cls_cost的值是负数来的,因为前面加了负号，如下图:
mask_hungarian_assigner.py中计算完类别损失后，现在计算mask损失，如下图：
上图中的12544就当作服从256*256正态分布的随机采样吧,调用上图的mask_cost方法后进入下图的类中：
上图中求pos与neg损失时,都调用了binary_cross_entropy_with_logits，首先我们知道二元交叉熵（Binary cross entropy）是二分类中常用的损失函数，它可以衡量两个概率分布的距离，二元交叉熵越小，分布越相似。相比F.binary_cross_entropy函数，F.binary_cross_entropy_with_logits函数在内部使用了sigmoid函数，也就是F.binary_cross_entropy_with_logits = sigmoid + F.binary_cross_entropy。
上图中因为它是有12544个采样点，它是累加后求平均,所以要除以12544,最后得到一个(100,10)的矩阵返回回去。为什么它是返回(100,10)?是因为它是100个query都分别与10个类别去计算得到的。
十一.标签分类匹配结果分析
这个mask算出来的cost值是正数来的。下面开始计算dice_cost(类似iou重合比例计算)
跳转到match_cost.py中,先拉长,再按dice系数公式得到被除数
Dice 系数可以计算两个字符串的相似度：Dice(s1,s2) = 2*comm(s1,s2)/(leng(s1)+leng(s2))。其中，comm(s1,s2) 是s1和s2中相同字符的个数; leng(s1)、leng(s2)是字符串s1、s2 的长度。
返回后得到如下图：
计算出三个损失值后就进行累加,如下图：
而上图中matched_col_inds的10个索引值是对应gt标签中的索引位置,matched_row_inds是100个中匹配到损失最小的对应的10个索引。这时我们就认为通过与标签匹配完成了，得到正样本了。
返回后回到了mask2former_head.py中，调用assign方法进行标签匹配就结束了，如下图：
然后调用sample主要是用来取正，负样本的索引值,如下图:
上图中mask_targets是只考虑匹配上的10个。到此时,第一张图片就处理完了，然后按上面的逻辑做第二张图片的处理了。
十二.最终损失计算流程
这时(9)中所说的调用get_targets方法就结束了。前面算的损失是关于标签分配的。而下面将算实际的损失了。
上图中labels这个标签是更新了正样本索引后的标签值,80是默认的初始化的负样本索引。上图中这三个都是200,那就可以做交叉熵损失了,调下图的方法self.loss_cls方法。
上图中二个极端值是指概率值(上图画的y轴值)要么靠近0,要么靠近1,这样就表示确定性越大(高)，而不确定性越强的是概率值靠近0.5那种。
十三.汇总所有损失完成迭代
get_uncertainty方法返回就得到不确定性的点索引，如下图
在分割中也许是边界点比较模拟二可(即可能是背景也可能是前景),它的不确定性就比较高。
这里三个loss_cls,loss_dice,loss_mask做完返回值，重复迭代10次求这三个值。
