# Magic Idea Semantic Segmetation

**Repository Path**: lambda_nuller/miss

## Basic Information

- **Project Name**: Magic Idea Semantic Segmetation
- **Description**: 语义分割模型包
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 0
- **Created**: 2021-03-20
- **Last Updated**: 2023-07-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Magic Idea Semantic Segmentation



<img src="./doc/img/magic_idea.jpg" style="width:70%">



[![forthebadge](https://camo.githubusercontent.com/3cdf9577401a2c7dceac655bbd37fb2f3ee273a457bf1f2169c602fb80ca56f8/68747470733a2f2f666f7274686562616467652e636f6d2f696d616765732f6261646765732f6d6164652d776974682d707974686f6e2e737667)](https://www.python.org/)

# 中文文档

## 1. 介绍

Magic Idea Semantic Segmentation 是一个基于Pytorch的语义分割框架, 您可以通过简单的`yaml` 文件配置来选择想要训练的模型和数据集以及其他参数进行训练。

### 1.1 已复现的模型
| name            | paper |
| --------------- | ----- |
| Deeplab v3 plus |       |
| Unet |       |
| Unet++ |       |
| DANet |       |

### 1.2 支持的数据集
| name            | paper |
| --------------- | ----- |
| Pascal VOC |       |

### 1.3 文件结构介绍

## 2. 环境



## 3. 使用
### 3.1 新建配置文件
如果您想自定义训练过程, 则首先需要新建一个 `yaml` 配置文件, 同时我们也在  `./configs`  文件夹([点此到达](https://gitee.com/lambda_nuller/miss/tree/master/configs))中预先定义好了一些配置文件。新建的配置文件名称随意, 按照 `yaml` 格式编写, 放在 `./configs` 文件夹中即可。配置文件字段的详细介绍可以点击: [配置文件的详细介绍](https://gitee.com/lambda_nuller/miss/wikis/%E9%85%8D%E7%BD%AE%E6%96%87%E4%BB%B6%E8%AF%A6%E7%BB%86%E4%BB%8B%E7%BB%8D?sort_id=4044614)

### 3.2 开始训练
在定义好配置文件后, 来到 `./scprit/run.sh` 中([点此到达](https://gitee.com/lambda_nuller/miss/tree/master/script)), 该文件内容如下:
```
python train.py -c ../configs/danet_defect3.yml
```
将 `-c` 后的字符串替换成您所想要训练的配置文件即可, 随后在终端输入 `bash run.sh` 即可开始训练(确保您已切换到正确的conda环境), 在windows系统中在终端输入 `python train.py -c [您的配置文件目录]` 即可训练.

# Document for English

## 1. Introduction



This is a Semantic Segmentation Package based on Pytorch. You can easily train the model you want  by modifying the configure file. 

### 1.1 Implementation Models

| name            | paper |
| --------------- | ----- |
| Deeplab v3 plus |       |
| Unet |       |
| Unet++ |       |
| DANet |       |



## 2. Installation 



## 3. Usage

export PYTHONPATH=$PYTHONPATH:../magicidea