【目次】
MMSegmentation は， OpenMMLab の構成物で，セグメンテーションの機能を提供する．
【文献】
MMSegmentation Contributors, MMSegmentation: OpenMMLab Semantic Segmentation Toolbox and Benchmark, https://github.com/open-mmlab/mmsegmentation, 2020.
【関連する外部ページ】
Gitは，バージョン管理システム．ソースコードの管理や複数人での共同に役立つ．
【サイト内の関連ページ】
Windows での Git のインストール: 別ページ »で説明している．
【関連する外部ページ】
Git の公式ページ: https://git-scm.com/
【サイト内の関連ページ】
【関連する外部ページ】
Python の公式ページ: https://www.python.org/
【サイト内の関連ページ】
NVIDIA グラフィックスボードを搭載しているパソコンの場合には， NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNN のインストールを行う．
【関連する外部ページ】
コマンドプロンプトを管理者として実行: 別ページ »で説明
PyTorch のページ: https://pytorch.org/index.html
次のコマンドは， PyTorch 2.0 （NVIDIA CUDA 11.8 用） をインストールする． 但し，Anaconda3を使いたい場合には別手順になる．
事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．
PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される．
python -m pip install -U --ignore-installed pip python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118 python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
![[image]](../../tools/man/529.png)
Anaconda3を使いたい場合には， Anaconda プロンプト (Anaconda Prompt) を管理者として実行し， 次のコマンドを実行する． （PyTorch と NVIDIA CUDA との連携がうまくいかない可能性があるため，Anaconda3を使わないことも検討して欲しい）．
conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 cudnn -c pytorch -c nvidia py -c "import torch; print(torch.__version__, torch.cuda.is_available())"
【サイト内の関連ページ】
【関連する外部ページ】
インストールの方法は複数ある． ここでは， NVIDIA CUDA ツールキットを使うことも考え， インストールしやすい方法として，ソースコードからビルドしてインストールする方法を案内している．
コマンドプロンプトを管理者として実行: 別ページ »で説明
インストール手順は， https://mmdetection.readthedocs.io/en/latest/get_started.html による．
「mim install -e .」でエラーメッセージが出たときは， 「mim install -e .」の代わりに「pip install -e .」を実行．
python -m pip install -U --ignore-installed pip python -m pip uninstall -y openmim mmcv mmcv-full opencv-python opencv-python-headless python -m pip install -U openmim opencv-python cd %HOMEPATH% rmdir /s /q mmdetection git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection mim uninstall -y mmdet pip install -r requirements.txt mim install -e . mim list
![[image]](../../tools/man/551.png)
https://mmdetection.readthedocs.io/en/latest/get_started.html による．
cd %HOMEPATH% rmdir /s /q mmsegmentation git clone https://github.com/open-mmlab/mmsegmentation.git cd mmsegmentation mim uninstall -y mmseg pip install -r requirements.txt mim install -e . python -c "import mmseg; print(mmseg.__version__)"
![[image]](../../tools/man/462.png)
コマンドプロンプトを管理者として実行: 別ページ »で説明
Cityscapes データセットを用いての事前学習済みモデルを使用している．
MMSegmentation の model zoo のページ: https://github.com/open-mmlab/mmsegmentation/blob/master/docs/en/model_zoo.md
ここではCityScapes, DeepLabV3, R-50-D8 を選ぶことにする． Cityscapes データセットで学習済みのモデルである．
次のコマンドを実行する．
cd %HOMEPATH%\mmsegmentation mkdir checkpoints cd checkpoints curl -O https://download.openmmlab.com/mmsegmentation/v0.5/deeplabv3/deeplabv3_r50-d8_512x1024_80k_cityscapes/deeplabv3_r50-d8_512x1024_80k_cityscapes_20200606_113404-b92cfdd4.pth dir /w
![[image]](../../tools/man/463.png)
Python プログラムの実行
Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．
Python のまとめ: 別ページ »にまとめ
セマンティック・セグメンテーションを行う．
プログラムは，公式ページ https://mmsegmentation.readthedocs.io/en/latest/get_started.html のものを書き換えて使用．
下図では，Python プログラムの実行のため，jupyter qtconsole を使用している．
![[image]](https://www.kkaneko.jp/info/logo_png.png){kind=logo}
import os
import torch
from mmseg.apis import inference_model, init_model
import mmcv
os.chdir((os.getenv('HOMEPATH') + '\\' + 'mmsegmentation'))
config_file = 'configs/deeplabv3/deeplabv3_r50-d8_4xb2-80k_cityscapes-512x1024.py'
checkpoint_file = 'checkpoints/deeplabv3_r50-d8_512x1024_80k_cityscapes_20200606_113404-b92cfdd4.pth'
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = init_model(config_file, checkpoint_file, device=device)
img = 'demo/demo.png' # or img = mmcv.imread(img), which will only load it once
from mmseg.registry import VISUALIZERS
visualizer = VISUALIZERS.build(model.cfg.visualizer)
visualizer.dataset_meta = model.dataset_meta
result = inference_model(model, img)
image = mmcv.imconvert(mmcv.imread(img), 'bgr', 'rgb')
visualizer.add_datasample('result', image, data_sample=result, show=False, draw_gt=False)
mmcv.imshow(visualizer.get_image())
![[image]](../../tools/man/464.png)
エラーメッセージが出ないことを確認．
次の Python プログラムを実行する．mmcv を用いた表示を行うので，Jupyter QtConsole や Jupyter ノートブック (Jupyter Notebook) の利用が便利である．
import os
import torch
from mmseg.apis import inference_model, init_model, show_result_pyplot
import mmcv
os.chdir((os.getenv('HOMEPATH') + '\\' + 'mmsegmentation'))
config_file = 'configs/deeplabv3/deeplabv3_r50-d8_4xb2-80k_cityscapes-512x1024.py'
checkpoint_file = 'checkpoints/deeplabv3_r50-d8_512x1024_80k_cityscapes_20200606_113404-b92cfdd4.pth'
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = init_model(config_file, checkpoint_file, device=device)
video = mmcv.VideoReader(os.getenv('HOMEPATH') + '\\' + 'mmdetection' + '\\' + 'demo' + '\\' + 'demo.mp4')
from mmseg.registry import VISUALIZERS
visualizer = VISUALIZERS.build(model.cfg.visualizer)
visualizer.dataset_meta = model.dataset_meta
for frame in video:
result = inference_model(model, frame)
image = mmcv.imconvert(frame, 'bgr', 'rgb')
visualizer.add_datasample('result', image, data_sample=result, show=False, draw_gt=False)
mmcv.imshow(visualizer.get_image(), wait_time=100)
![[image]](../../tools/man/552.png)
エラーメッセージが出ないことを確認．
![[image]](../../tools/man/553.png)
Cityscapes データセットを用いての事前学習済みモデルを使用している．
MMSegmentation の model zoo のページ: https://github.com/open-mmlab/mmsegmentation/blob/master/docs/en/model_zoo.md
ここではCityScapes, DeepLabV3, R-50-D8 を選ぶことにする． Cityscapes データセットで学習済みのモデルである．
次のコマンドを実行する．
cd %HOMEPATH%\mmsegmentation mkdir checkpoints cd checkpoints curl -O https://download.openmmlab.com/mmsegmentation/v0.5/deeplabv3/deeplabv3_r50-d8_512x1024_80k_cityscapes/deeplabv3_r50-d8_512x1024_80k_cityscapes_20200606_113404-b92cfdd4.pth dir /w
次の Python プログラムを実行する．mmcv を用いた表示を行うので，Jupyter QtConsole や Jupyter ノートブック (Jupyter Notebook) の利用が便利である．
import os
import torch
import cv2
from mmseg.apis import inference_model, init_model, show_result_pyplot
import mmcv
os.chdir((os.getenv('HOMEPATH') + '\\' + 'mmsegmentation'))
config_file = 'configs/deeplabv3/deeplabv3_r50-d8_4xb2-80k_cityscapes-512x1024.py'
checkpoint_file = 'checkpoints/deeplabv3_r50-d8_512x1024_80k_cityscapes_20200606_113404-b92cfdd4.pth'
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = init_model(config_file, checkpoint_file, device=device)
video = mmcv.VideoReader(os.getenv('HOMEPATH') + '\\' + 'mmdetection' + '\\' + 'demo' + '\\' + 'demo.mp4')
from mmseg.registry import VISUALIZERS
visualizer = VISUALIZERS.build(model.cfg.visualizer)
visualizer.dataset_meta = model.dataset_meta
v = cv2.VideoCapture(0)
while(v.isOpened()):
r, f = v.read()
if ( r == False ):
break
result = inference_model(model, f)
image = mmcv.imconvert(f, 'bgr', 'rgb')
visualizer.add_datasample('result', image, data_sample=result, show=False, draw_gt=False)
mmcv.imshow(visualizer.get_image(), wait_time=100)
![[image]](../../tools/man/565.png)
エラーメッセージが出ないことを確認．
![[image]](../../tools/man/566.png)
Pascal VOC データセットを用いての事前学習済みモデルを使用している．
MMSegmentation の model zoo のページ: https://github.com/open-mmlab/mmsegmentation/blob/master/docs/en/model_zoo.md
ここではPascal VOC, DeepLabV3, R-50-D8 を選ぶことにする． Cityscapes データセットで学習済みのモデルである．
次のコマンドを実行する．
cd %HOMEPATH%\mmsegmentation mkdir checkpoints cd checkpoints curl -O https://download.openmmlab.com/mmsegmentation/v0.5/deeplabv3plus/deeplabv3plus_r50-d8_512x512_80k_ade20k/deeplabv3plus_r50-d8_512x512_80k_ade20k_20200614_185028-bf1400d8.pth dir /w
![[image]](../../tools/man/567.png)
次の Python プログラムを実行する．mmcv を用いた表示を行うので，Jupyter QtConsole や Jupyter ノートブック (Jupyter Notebook) の利用が便利である．
import os
import torch
import cv2
from mmseg.apis import inference_model, init_model, show_result_pyplot
import mmcv
os.chdir((os.getenv('HOMEPATH') + '\\' + 'mmsegmentation'))
config_file = 'configs/deeplabv3plus/deeplabv3plus_r50-d8_4xb4-80k_ade20k-512x512.py'
checkpoint_file = 'checkpoints/deeplabv3plus_r50-d8_512x512_80k_ade20k_20200614_185028-bf1400d8.pth'
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = init_model(config_file, checkpoint_file, device=device)
video = mmcv.VideoReader(os.getenv('HOMEPATH') + '\\' + 'mmdetection' + '\\' + 'demo' + '\\' + 'demo.mp4')
from mmseg.registry import VISUALIZERS
visualizer = VISUALIZERS.build(model.cfg.visualizer)
visualizer.dataset_meta = model.dataset_meta
v = cv2.VideoCapture(0)
while(v.isOpened()):
r, f = v.read()
if ( r == False ):
break
result = inference_model(model, f)
image = mmcv.imconvert(f, 'bgr', 'rgb')
visualizer.add_datasample('result', image, data_sample=result, show=False, draw_gt=False)
mmcv.imshow(visualizer.get_image(), wait_time=100)
![[image]](../../tools/man/568.png)
エラーメッセージが出ないことを確認．
![[image]](../../tools/man/569.png)
本サイトは金子邦彦研究室のWebページである．
資料等の公開では，原則，「クリエイティブコモンズ BY NC SA」として公開するようにしている． PDFファイル，パワーポイントファイルなどには， 「クリエイティブコモンズ BY NC SA」を明記するとともに，ロゴを記載するようにしている（作業が間に合っていない分もあるのでご容赦ください）．
公開している資料をご利用になる場合の，再配布の条件，剽窃の防止などについて，別ページ »で説明 再配布や資料改変の際には，そのページをご確認ください．
サイトマップは，サイトマップのページをご覧下さい． 本サイト内の検索は，サイト内検索のページをご利用下さい．
問い合わせ先： 金子邦彦（かねこ くにひこ） ![[image]](https://www.kkaneko.jp/info/kanekomail.png)