first commit

Seg_All_In_One_SegModel/train.sh

@@ -0,0 +1,105 @@
+#!/bin/bash
+# --- 1. Conda 环境设置 ---
+CONDA_BASE_PATH="/home/wkmgc/miniconda3" # <--- 在这里修改为您自己的路径
+CONDA_ENV_NAME="${SEG_CONDA_ENV:-seg_smp}" # 可用 SEG_CONDA_ENV=SMP bash train.sh 临时覆盖
+
+# 初始化并激活 Conda 环境
+if [ -f "${CONDA_BASE_PATH}/etc/profile.d/conda.sh" ]; then
+    source "${CONDA_BASE_PATH}/etc/profile.d/conda.sh"
+    conda activate "${CONDA_ENV_NAME}"
+    if [ $? -ne 0 ]; then
+        echo "错误: 激活 Conda 环境 '${CONDA_ENV_NAME}' 失败！"
+        exit 1
+    fi
+    echo "Conda 环境 '${CONDA_ENV_NAME}' 已成功激活。"
+else
+    echo "错误: 找不到 conda.sh 脚本。请检查您的 CONDA_BASE_PATH 设置是否正确。"
+    exit 1
+fi
+
+# --- 2. 模型与 GPU 配置 ---
+GPUS_GROUP_1="3"
+GPUS_GROUP_2="2"
+GPUS_GROUP_3="1"
+GPUS_GROUP_4="4"
+
+GROUP_1_ARCHS=("PSPNet" "Unet" "UnetPlusPlus" ) # G3 # "PSPNet" # "Unet" "UnetPlusPlus" "FPN"
+GROUP_2_ARCHS=("Linknet" "MAnet" "DeepLabV3" ) # G3 "Linknet" "MAnet" # "DeepLabV3" # "DeepLabV3Plus"
+GROUP_3_ARCHS=("UPerNet" "Segformer" "DPT"  ) # G3 # "UPerNet" "Segformer" "DPT" # "PAN" 
+GROUP_4_ARCHS=("FPN" "DeepLabV3Plus" "PAN") 
+
+# 1. 从 config.py 中读取 OUTPUTS_DIR 的值
+OUTPUTS_DIR=$(python -c "from config import OUTPUTS_DIR; print(OUTPUTS_DIR)")
+# 检查是否成功获取了 OUTPUTS_DIR
+if [ -z "$OUTPUTS_DIR" ]; then
+    echo "OUTPUTS_DIR: $OUTPUTS_DIR"
+    echo "Error 1: Could not read OUTPUTS_DIR from config.py. Exiting."
+    echo "Error 2: Or the directory specified by OUTPUTS_DIR does not exist. Please create it first."
+    exit 1
+fi
+# 2. 定义带有时间戳的日志目录名
+LOG_DIR_NAME="predict_logs_parallel_$(date +%Y-%m-%d_%H-%M-%S)"
+# 3. 拼接成最终的完整路径
+LOG_DIR="$OUTPUTS_DIR/$LOG_DIR_NAME"
+mkdir -p "${LOG_DIR}"
+echo "所有模型的日志将保存在 ./${LOG_DIR}/ 目录中。"
+echo "----------------------------------------------------"
+
+
+# --- 3. 依次启动所有训练任务 ---
+# 脚本将按顺序逐一执行每个模型的训练，等待上一个完成后再开始下一个。
+
+echo ">>> 准备启动第一组训练任务 (后台运行)..."
+for arch in "${GROUP_1_ARCHS[@]}"; do
+    echo "   -> 正在后台启动模型: ${arch} on GPUs: ${GPUS_GROUP_1}"
+    # 使用 '&' 将命令放入后台运行
+    CUDA_VISIBLE_DEVICES=${GPUS_GROUP_1} python train.py -a "${arch}" > "${LOG_DIR}/${arch}.log" 2>&1 &
+    echo "      - 模型 ${arch} 已在后台启动。日志文件: ${LOG_DIR}/${arch}.log"
+    echo "      - 等待 50 秒..."
+    sleep 50
+done
+echo ">>> 第一组所有模型均已启动。"
+echo "----------------------------------------------------"
+
+echo ">>> 准备启动第二组训练任务 (后台运行)..."
+for arch in "${GROUP_2_ARCHS[@]}"; do
+    echo "   -> 正在后台启动模型: ${arch} on GPUs: ${GPUS_GROUP_2}"
+    CUDA_VISIBLE_DEVICES=${GPUS_GROUP_2} python train.py -a "${arch}" > "${LOG_DIR}/${arch}.log" 2>&1 &
+    echo "      - 模型 ${arch} 已在后台启动。日志文件: ${LOG_DIR}/${arch}.log"
+    echo "      - 等待 50 秒..."
+    sleep 50
+done
+echo ">>> 第二组所有模型均已启动。"
+echo "----------------------------------------------------"
+
+echo ">>> 准备启动第三组训练任务 (后台运行)..."
+for arch in "${GROUP_3_ARCHS[@]}"; do
+    echo "   -> 正在后台启动模型: ${arch} on GPUs: ${GPUS_GROUP_3}"
+    CUDA_VISIBLE_DEVICES=${GPUS_GROUP_3} python train.py -a "${arch}" > "${LOG_DIR}/${arch}.log" 2>&1 &
+    echo "      - 模型 ${arch} 已在后台启动。日志文件: ${LOG_DIR}/${arch}.log"
+    echo "      - 等待 50 秒..."
+    sleep 50
+done
+echo ">>> 第三组所有模型均已启动。"
+echo "----------------------------------------------------"
+
+echo ">>> 准备启动第四组训练任务 (后台运行)..."
+for arch in "${GROUP_4_ARCHS[@]}"; do
+    echo "   -> 正在后台启动模型: ${arch} on GPUs: ${GPUS_GROUP_4}"
+    CUDA_VISIBLE_DEVICES=${GPUS_GROUP_4} python train.py -a "${arch}" > "${LOG_DIR}/${arch}.log" 2>&1 &
+    echo "      - 模型 ${arch} 已在后台启动。日志文件: ${LOG_DIR}/${arch}.log"
+    echo "      - 等待 50 秒..."
+    sleep 50
+done
+# echo ">>> 第四组所有模型均已启动。"
+# echo "----------------------------------------------------"
+
+# --- 4. 等待所有后台任务完成 ---
+echo ""
+echo "--- 所有模型均已在后台启动。现在等待所有训练任务完成... ---"
+# 'wait' 命令会暂停脚本，直到所有由此脚本启动的后台任务全部执行完毕
+wait
+echo "--- 所有后台训练任务已全部完成！ ---"
+
+# 退出前取消激活环境
+conda deactivate