SAM大模型实践（一）

参考着segment-geospatial 项目主页的介绍，尝试复现一下Example-satallite的案例。

  Satellite - segment-geospatialhttps://samgeo.gishub.org/examples/satellite/         过程当中遇到了一些坑给大家做点分享，主要有几种情况，一个是torch、torchvision、torchaudio和cuda安装的问题，版本不一致，运行过程中报错NotImplementedError: Could not run ‘torchvision::nms‘ with arguments from the ‘CUDA‘ backend. 这个时候参考了其他博主的解决方法，将torch、torchvision、torchaudio 卸载重装了一致的版本，如果你的电脑上面有GPU尽量安装GPU版本。【问题解决】NotImplementedError: Could not run ‘torchvision::nms‘ with arguments from the ‘CUDA‘ backend._notimplementederror: could not run 'torchvision::n-CSDN博客文章浏览阅读1k次，点赞6次，收藏5次。本文描述了关于Pytorch的报错“NotImplementedError: Could not run 'torchvision::nms' with arguments from the 'CUDA' backend.”并提供了解决方案。_notimplementederror: could not run 'torchvision::nms' with arguments from thhttps://blog.csdn.net/m0_55213577/article/details/143097871

全网最详细的安装pytorch GPU方法，一次安装成功！！包括安装失败后的处理方法！-CSDN博客文章浏览阅读10w+次，点赞179次，收藏769次。PyTorch的GPU版本利用了NVIDIA的CUDA技术，使得深度学习计算能够高效地在GPU上运行。使用GPU来执行深度学习计算可以显著加速计算，从而减少训练和推理时间。CUDA是NVIDIA推出的一种通用并行计算架构，可以使GPU执行通用计算任务，而不仅仅是图形处理。在PyTorch中，可以使用CUDA来利用NVIDIA GPU的并行计算能力加速模型训练和推理。cuDNN是NVIDIA专门为深度学习模型设计的一个库，它提供了高效的卷积操作和其他计算操作，可以进一步加速深度学习任务。_全网最详细的安装pytorch gpuhttps://blog.csdn.net/qlkaicx/article/details/134577555      另外一个情况是leafmap用jupter notebook没有跑成功，可能是依赖包的问题。但是在colab里面跑成功了，地图和图层都正常显示了。在jupter notebook显示不出来没关系，不影响后续SAM模型的应用。

按照流程一步步跑下去，最后的一些结果如下所示：

下载一幅11000×14000的遥感影像

分割过程花了大概一个小时左右，我的电脑配置是thinkbook 16p，带有8G的GPU，时间还是比较久的。

最后的分割效果如下：