仅三步部署“分割一切”视觉模型Segment Anything_segmentation any 部署

1、选择GPU计算平台

市面上有众多云计算平台可供选择，本次部署推荐openbayes平台，目前平台有活动，邀请注册双方均可获赠1小时RTX 4090使用时长。
OpenBayes注册
通过这个链接注册可以拿到平台赠送的3个小时+邀请注册的1个小时共4小时4090使用时长，体验云计算的话这个时长完全够用了。注册完成后通过支付宝实名认证就可以开始租用算力了，实名过程这里略去不表。

2、创建容器

OpenBayes的基础计算单元称为算力容器Gear，可以执行各种各样的计算工作，包括数据预处理，机器学习模型的训练，利用已有模型对未标注数据进行推断等。

• 进入高性能计算模块，点击创建新容器
  

• 填写容器名称、备注，绑定数据，选择接入方式。openbayes提供了数量可观的公共数据集，下面我上传一个本地的数据集。
  
  
  
  
  

• 回到创建容器的页面并绑定刚刚上传的数据集，完成后点击“下一步：选择算力”

• 审核完成后会自动开始运行，openbayes提供了三种访问途径，分别是Jupyter访问、SSH和TenserBoard可视化。这里我使用JupyterLab访问并进行下面的部署流程。
  

3、项目部署

• 选择JupyterLab访问后会进入如下页面，与本地使用JupyterLab差别不大，主要是右侧会显示当前容器资源的使用情况。
  
• 直接克隆Segment Anything仓库，或者先下载压缩包到本地再上传解压均可，这里我选择后者，因为直连GitHub克隆大概率不成功。
  
• Meta提供了一些演示用的Jupyter笔记本，进入SegmentAnything主目录的notebooks文件夹下就能看到，这里使用生成所有掩膜为例。

• 在后面的使用过程中，我们会用到模型参数文件，Meta提供了三个预训练模型参数文件：
  
• 这里我直接选择最大的模型参数ViT-H SAM model，这也是演示脚本中默认使用的模型。右键复制链接后使用wget命令下载到容器：

wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth
1

• 下载完成后将其剪切到Segment Anything的主目录下，并重启Jupyter内核，否则可能读不到文件。

运行每一个代码块，这里可能会遇到的问题有两个：

• 导入cv2时报错“ibGL.so.1: cannot open shared object file…” 只需要使用pip命令安装opencv-python-headless即可解决
• 读入图片并转换颜色通道的时候报错“…!_src.empty() in function ‘cvtColor’”表示读入的是空文件，这是由于图片路径不正确导致的，检查你的路径即可解决此问题。

• 另外，Segment Anything还提供了脚本提取并导出掩膜，这里我换用ssh方式连接容器。在容器详情页能找到SSH命令和连接密码。使用Windows自带的SSH工具即可连接：

• 进入主目录后，新建output文件夹作为输出路径，运行python脚本即可生成所有实例的分割掩膜文件。以下是实例，根据实际情况修改参数即可。

mkdir output #新建文件夹
python scripts/amg.py --checkpoint ./sam_vit_h_4b8939.pth --model-type vit_h --input ./images/color.png --output ./output
1
2

• 当然，使用SSH方式连接，在需要将远程资源下载到本地时不如JupyterLab方便，这里我使用Xftp将生成的掩膜下载到本地。
  

OpenBayes还提供了模型部署模块，隐藏了复杂的部署细节，只向外部暴露一个API来完成调用，感兴趣的读者可以自行探索。

至此，本文结束。