环境配置

https://github.com/KyanChen/RSMamba/blob/release/README_zh-CN.md

注意

我的服务器的cuda的驱动版本是11.6，且不能更新服务器的驱动，不然服务器会崩溃

但是Mamba论文里安装的cuda驱动要求至少都是11.8，因此用cudatoolkit来在虚拟环境中模拟安装新版本的cuda

conda activate rsmamba conda install cudatoolkit==11.8 -c nvidia 

经过这一步骤就相当于在rsmamba环境中有了cuda11.8

环境配置

安装miniconda（服器有）

• 创建虚拟环境rsmamba

conda create -n rsmamba python=3.11 -y conda activate rsmamba 

• 安装pytorch(2.0.1版本，因为cuda11.8可适配2.0.1)

  进入pytorch官网：https://pytorch.org/get-started/previous-versions/

  按下ctrl + f 进入网页搜索：pip install torch==2.0.1，即可得到与2.0.1版本适配的torchvision版本和torchaudio版本：
  

• 安装mmcv（服务器直接用pip或者mim都安装不上去，只能用.whl，注意选择py3.11+cuda11.8+linux）

  博客：https://blog.csdn.net/sjjg129/article/details/131581187

  轮子：https://download.openmmlab.com/mmcv/dist/cu117/torch2.0.0/index.html

  下载完后用filezilla将文件传输到服务器的对应路径下，然后cd到该路径

pip install .whl的文件名 

• 安装其他依赖项

  前两个可以直接安装

pip install -U mat4py ipdb modelindex pip install transformers==4.39.2 

​ 后面两个直接安装安不上，需要用.whl文件安装

​ 博客：https://blog.csdn.net/JJ9845324/article/details/139563142

​ causal-conv1d：https://github.com/Dao-AILab/causal-conv1d/releases

​ mamba-ssm：https://github.com/state-spaces/mamba/releases

rsmamba的训练

数据集的准备按照github准备即可，这里选用的是aid数据集，上传到服务器

配置文件

选用aid的base模型的config文件：rsmamba_aid_b.py

_base_ = [     '_base_/rsmamba_default_runtime.py',     '_base_/datasets/aid_bs64_pil_resize_autoaug.py',     # '_base_/datasets/aid_dataset.py',     '_base_/schedules/aid_schedule.py', ]  work_dir = '/home/data/yc/yh/RSMamba/work_dirs/rsmamba_aid_b'    ## 训练结果的保存位置  data_root = '/home/data/yc/yh/AID'                               ## 数据集文件夹 code_root = '/home/data/yc/yh/RSMamba/datainfo/AID'              ## 数据集的处理代码，选用rsmamba自带的代码即可  batch_size = 16 ## 修改一下代数，原本为500，本代码的学习率是从10开始变化的，因此要大于10 train_cfg = dict(max_epochs=100, val_interval=20)     vis_backends = [dict(type='LocalVisBackend'),                 # dict(type='WandbVisBackend', init_kwargs=dict(project='rsmamba', group='AID', name='rsmamba_aid_b'))                 ] visualizer = dict(type='UniversalVisualizer', vis_backends=vis_backends)  num_classes = 30                                                  ## aid数据集是30个类 data_preprocessor = dict(     num_classes=num_classes, )  # model settings model = dict(     type='ImageClassifier',     backbone=dict(         type='RSMamba',         arch='b',         pe_type='learnable',         path_type='forward_reverse_shuffle_gate',         cls_position='none',  # 'head', 'tail', 'head_tail', 'middle', 'none'         out_type='avg_featmap',         img_size=224,         patch_size=16,         drop_rate=0.,         patch_cfg=dict(stride=8),         init_cfg=[             dict(                 type='Kaiming',                 layer='Conv2d',                 mode='fan_in',                 nonlinearity='linear')         ]),     neck=None,     head=dict(         type='LinearClsHead',         num_classes=num_classes,         in_channels=192,         init_cfg=None,         loss=dict(             type='LabelSmoothLoss', label_smooth_val=0.1, mode='original'),     ),     train_cfg=dict(augments=[         dict(type='Mixup', alpha=0.8),         dict(type='CutMix', alpha=1.0)     ]), )   train_dataloader = dict(     batch_size=batch_size,     dataset=dict(         data_name='AID',         data_root=data_root,         ann_file=code_root+'/train.txt',      ), )  val_dataloader = dict(     batch_size=batch_size,     dataset=dict(         data_name='AID',         data_root=data_root,         ann_file=code_root+'/val.txt',     ) ) test_dataloader = val_dataloader 

训练

先看看服务器哪些GPU在用：

nvidia-smi 

直接用github中的方法：

CUDA_VISIBLE_DEVICES=1 python tools/train.py configs/rsmamba/name_to_config.py  # name_to_config.py 为你想要使用的配置文件 

报错为没有规定configs/rsmamba/_base__/datasets路径下的aid_bs64_pil_resize_autoaug.py文件中的scale具体大小：

把scale的大小改为和config文件中的大小224即可

# dataset settings dataset_type = 'RSClsDataset' data_preprocessor = dict(     num_classes=30,     # RGB format normalization parameters     mean=[101.02608706, 103.9996994, 93.50157708],     std=[40.36728927, 37.11132278, 35.90649976],     # convert image from BGR to RGB     to_rgb=True, )  bgr_mean = data_preprocessor['mean'][::-1] bgr_std = data_preprocessor['std'][::-1]  train_pipeline = [     dict(type='LoadImageFromFile'),     dict(         type='RandomResizedCrop',         scale=224,                                 ## 修改，原为scale=img_size         crop_ratio_range=(0.4, 1.0),         backend='pillow',         interpolation='bicubic'),     dict(type='RandomFlip', prob=0.5, direction='horizontal'),     dict(type='RandomFlip', prob=0.5, direction='vertical'),     dict(         type='AutoAugment',         policies='imagenet',         hparams=dict(             pad_val=[round(x) for x in bgr_mean], interpolation='bicubic')),     dict(type='PackInputs'), ]  test_pipeline = [     dict(type='LoadImageFromFile'),     dict(         type='ResizeEdge',         scale=256,         edge='short',         backend='pillow',         interpolation='bicubic'),     dict(type='CenterCrop', crop_size=224),     dict(type='PackInputs'), ]  train_dataloader = dict(     batch_size=64,     num_workers=8,     dataset=dict(         type=dataset_type,         ann_file='train.txt',         pipeline=train_pipeline),     sampler=dict(type='DefaultSampler', shuffle=True), )  val_dataloader = dict(     batch_size=64,     num_workers=8,     dataset=dict(         type=dataset_type,         ann_file='val.txt',         pipeline=test_pipeline),     sampler=dict(type='DefaultSampler', shuffle=False), ) val_evaluator = dict(     type='SingleLabelMetric',     num_classes=30, )  test_dataloader = val_dataloader test_evaluator = val_evaluator 

测试

将新建的待测试图片放入新建的文件夹 RSMamba/demo/aidtest（服务器端），在新建输出的文件夹RSMamba/demo/aidrezult，利用github中的测试方法：

CUDA_VISIBLE_DEVICES=1 python demo/image_demo.py ${IMAGE_DIR}  configs/rsmamba/name_to_config.py --checkpoint ${CHECKPOINT_FILE} --show-dir ${OUTPUT_DIR}     # IMAGE_DIR 为你想要预测的图像文件夹，name_to_config.py 为你想要使用的配置文件，CHECKPOINT_FILE 为你想要使用的.pth文件，OUTPUT_DIR 为预测结果的输出路径