30分钟上手MMSegmentation：从安装到语义分割全流程

2026-02-04 05:10:12作者：郁楠烈Hubert

你是否还在为语义分割模型的搭建和训练感到困惑？本文将带你30分钟内快速掌握MMSegmentation（OpenMMLab语义分割工具包）的核心使用方法，从环境配置到模型推理一网打尽，让你轻松入门语义分割领域。读完本文，你将能够独立完成MMSegmentation的安装与验证、使用预训练模型进行图像分割、了解模型训练与评估的基本流程，并掌握常见问题的解决方法。

MMSegmentation简介

MMSegmentation是一个基于PyTorch的语义分割开源工具箱，是OpenMMLab项目的一部分。它提供了统一的基准平台、模块化设计和丰富的即插即用算法模型，支持多种语义分割任务和数据集，能够帮助开发者快速构建、训练和评估语义分割模型。

项目的主要特性包括：

统一的基准平台：集成多种语义分割算法，方便进行公平的性能比较。
模块化设计：将分割框架解耦为不同模块组件，便于灵活组合和自定义开发。
丰富的算法模型：支持PSPNet、DeepLabV3、SegFormer等主流和最新的语义分割算法。
高效的训练速度：训练速度比其他语义分割代码库更快或相当。

官方文档：docs/zh_cn/overview.md 项目教程：README_zh-CN.md

环境准备与安装

系统要求

MMSegmentation可以在Linux、Windows和macOS系统上运行，需要满足以下环境要求：

Python 3.7+
CUDA 10.2+（如使用GPU）
PyTorch 1.8+

安装步骤

步骤1：创建并激活conda环境

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

步骤2：安装PyTorch

在GPU平台上：

conda install pytorch torchvision -c pytorch

在CPU平台上：

conda install pytorch torchvision cpuonly -c pytorch

步骤3：使用MIM安装MMCV和MMEngine

pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"

步骤4：安装MMSegmentation

源码安装（推荐，便于开发和修改）：

git clone -b main https://gitcode.com/GitHub_Trending/mm/mmsegmentation
cd mmsegmentation
pip install -v -e .

PIP安装（作为依赖库使用）：

pip install "mmsegmentation>=1.0.0"

安装指南：docs/zh_cn/get_started.md

安装验证

安装完成后，可通过以下步骤验证是否安装成功：

步骤1：下载配置文件和模型文件

mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .

步骤2：运行推理demo

python demo/image_demo.py demo/demo.png pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth --device cuda:0 --out-file result.jpg

运行成功后，会在当前目录生成result.jpg文件，包含图像的语义分割结果。

推理代码示例：demo/image_demo.py

快速入门：使用预训练模型进行图像分割

单张图像分割

以下是使用Python API调用预训练模型进行单张图像分割的示例代码：

from mmseg.apis import inference_model, init_model, show_result_pyplot

# 配置文件和 checkpoint 文件路径
config_file = 'pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py'
checkpoint_file = 'pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth'

# 根据配置文件和 checkpoint 文件构建模型
model = init_model(config_file, checkpoint_file, device='cuda:0')  # 或者 device='cpu'

# 测试单张图像并展示结果
img = 'demo/demo.png'  # 或者 img = mmcv.imread(img)，这样仅需下载一次
result = inference_model(model, img)
# 在新窗口中可视化结果
show_result_pyplot(model, img, result, show=True)
# 保存可视化结果到文件
show_result_pyplot(model, img, result, show=True, out_file='result.jpg', opacity=0.5)

视频分割

MMSegmentation也支持对视频进行分割处理，示例代码如下：

import mmcv
from mmseg.apis import inference_model, init_model, show_result_pyplot

config_file = 'pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py'
checkpoint_file = 'pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth'
model = init_model(config_file, checkpoint_file, device='cuda:0')

video = mmcv.VideoReader('video.mp4')
for frame in video:
    result = inference_model(model, frame)
    show_result_pyplot(model, frame, result, wait_time=1)

推理API文档：mmseg/apis/inference.py

模型训练与评估

数据集准备

MMSegmentation支持多种常用的语义分割数据集，如Cityscapes、PASCAL VOC、ADE20K等。以Cityscapes数据集为例，准备步骤如下：

从Cityscapes官网下载数据集。
将数据集解压到指定目录，目录结构如下：

data/cityscapes/
├── leftImg8bit/
│   ├── train/
│   ├── val/
│   └── test/
└── gtFine/
    ├── train/
    ├── val/
    └── test/

运行数据集转换脚本：

python tools/dataset_converters/cityscapes.py data/cityscapes --nproc 8

数据集准备详细指南：docs/zh_cn/user_guides/2_dataset_prepare.md

模型训练

使用以下命令启动模型训练：

# 单GPU训练
python tools/train.py configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py

# 多GPU训练
bash tools/dist_train.sh configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py 8

训练脚本：tools/train.py 分布式训练脚本：tools/dist_train.sh

模型评估

训练完成后，使用以下命令评估模型性能：

# 单GPU评估
python tools/test.py configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py work_dirs/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024/latest.pth --eval mIoU

# 多GPU评估
bash tools/dist_test.sh configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py work_dirs/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024/latest.pth 8 --eval mIoU

测试脚本：tools/test.py 分布式测试脚本：tools/dist_test.sh