步骤 1. 创建一个 conda 环境，并激活

conda create --name openmmlab python=3.8 -y
conda activate openmmlab
步骤 2. 安装 PyTorch

安装低版本的pytorch，在继续安装MMSegmentation，才能避免报错。因为显卡是4090，CUDA Toolkit必须安装11.8以上的。（只有本机系统的CUDA是合适的，在环境中的是向下兼容的，个人的理解）CUDA Toolkit
conda安装：conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.7 -c pytorch -c nvidia
pip安装：pip install torch==1.13.0+cu117 torchvision==0.14.0+cu117 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu117

以下的步骤就是为安装MMSegmentation做准备。
最佳实践
步骤 0. 使用 MIM 安装 MMCV

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

步骤 1. 安装 MMSegmentation

情况 a: 如果您想立刻开发和运行 mmsegmentation，您可通过源码安装：

git clone -b main https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -v -e .
'-v' 表示详细模式，更多的输出
 '-e' 表示以可编辑模式安装工程，
 因此对代码所做的任何修改都生效，无需重新安装

情况 b: 如果您把 mmsegmentation 作为依赖库或者第三方库，可以通过 pip 安装：

pip install "mmsegmentation>=1.0.0"

然后运行测试代码
步骤1.我们需要下载配置和检查点文件。

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

下载过程将需要几秒钟或更长时间，具体取决于您的网络环境。下载完成后，您将在当前文件夹中找到两个文件pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py和。pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth

步骤2.验证推理演示。

选项（a）。如果从源安装 mmsegmentation，只需运行以下命令。

python demo/image_demo.py demo/demo.png configs/pspnet/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

您将在当前文件夹中看到一个新图像result.jpg，其中所有对象都覆盖有分割蒙版。

下面可能会进行的报错，以及我解决的方式。
报错一：
Traceback (most recent call last):
File "demo/image_demo.py", line 6, in
from mmseg.apis import inference_model, init_model, show_result_pyplot
File "/home/ubuntu/mmsegmentation/mmseg/init.py", line 61, in
assert (mmcv_min_version <= mmcv_version < mmcv_max_version),
AssertionError: MMCV==2.2.0 is used but incompatible. Please install mmcv>=2.0.0rc4.、
报错二：
ModuleNotFoundError: No module named 'mmcv._ext'

有两种解决方式：

pip install mmcv-lite==2.0.0rc4

如果还是报错可以使用下面的这个命令

mim install mmcv==2.1.0

在运行测试代码，即可。

在进行预测时默认带有类别标签，去除如下：

show_result_pyplot(model, img_path, result, show=False, out_file=output_path, opacity=1,with_labels=False)

with_labels=False, # 不显示标签