mmsegmentation的dict

### MMSegmentation 中的字典配置及用法 #### 字典配置概述 MMSegmentation 是一个用于语义分割的强大工具包，其核心功能之一是通过配置文件来定义模型、数据集和其他组件。配置文件通常采用 Python 脚本的形式编写，并利用字典结构来传递参数。 #### 数据集配置 为了自定义数据集，在 `mmseg/datasets/builder.py` 文件中可以通过继承 `CustomDataset` 类并注册新的数据集类来完成这一操作[^4]： ```python from mmseg.datasets.builder import DATASETS from mmseg.datasets.custom import CustomDataset @DATASETS.register_module() class MyCustomDataset(CustomDataset): CLASSES = ('background', 'road') # 定义类别名称 PALETTE = [[120, 120, 120], [6, 230, 230]] # 对应颜色表 def __init__(self, split, **kwargs): super().__init__( img_suffix='.jpg', seg_map_suffix='.png', split=split, **kwargs) assert osp.exists(self.img_dir) and self.split is not None ``` 上述代码展示了如何创建一个新的名为 `MyCustomDataset` 的数据集类，其中包含了图像后缀名 (`img_suffix`) 和分割图后缀名 (`seg_map_suffix`) 的设置以及路径验证逻辑。 #### 模型配置 对于模型部分，同样可以使用类似的字典方式来进行详细的设定。例如，当想要调整损失函数时，可以在配置文件中指定不同的损失类型及其超参数[^1]： ```yaml model=dict( type='EncoderDecoder', backbone=dict(type='ResNetV1c'), decode_head=dict( type='FPNHead', in_channels=[256, 256, 256, 256], channels=128, num_classes=19), auxiliary_head=dict( type='FCNHead', in_channels=768, channels=256, num_classes=19), train_cfg=dict(), test_cfg=dict(mode='whole')) loss_config=[ dict(type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0), dict(type='DiceLoss', loss_weight=3.0)] ``` 这段 YAML 片段说明了如何构建编码器解码器架构下的具体网络层细节，并指定了两种类型的损失——交叉熵损失和 Dice Loss 及它们各自的权重系数。 #### 实验配置 实验相关的其他重要选项也可以放在同一个配置文件里统一管理，比如优化器的选择、学习率调度策略等。下面是一个简单的例子展示如何配置 AdamW 作为默认优化算法[^2]: ```yaml optimizer = dict(type='AdamW', lr=0.0001, weight_decay=0.0001) optimizer_config = dict(grad_clip=None) lr_config = dict(policy='poly', power=0.9, min_lr=1e-4) runner = dict(type='IterBasedRunner', max_iters=80000) checkpoint_config = dict(by_epoch=False, interval=8000) evaluation = dict(interval=8000, metric=['mIoU']) ``` 此片段中的各项参数分别对应着不同阶段的任务需求，确保整个训练过程能够顺利执行。