首先，安装jittor环境（两种选择）： 1.通过conda安装环境 conda env create -f requirement.yaml 2.直接复制已有的conda环境包到自己的conda目录。 cd /USS-jittor/weights unzip jittor.zip mv /USS-jittor/weights/jittor conda目录/evns/ 修改自己电脑的conda环境变量

注: 环境晚装说明 本代码使用的环境是基于python==3.7.12, cude=10.2, cudnn=v8.0.4, 请根据自己的显卡配置安装对应版本cuda和cudnn，并修改某些包的版本情况。

测试B榜结果： cd /USS-jittor/ 一个GPU推理： CUDA_VISIBLE_DEVICES=’0’ python test.py

注：测试说明 将在USS-jittor这一根目录下创建result文件夹，其中包含所有testB测试结果和result.zip文件。 默认的数据集路径为：data_path/mode，请在test.py文件中修改自己的数据集。其中data_path为ImageNetS50的路径，mode=testB。 预训练模型存放在./weight/checkpoint.pth.tar 因为sam模型需要占用很大显存，可能会出现显存不足占用内容的情况（此时可能会调用服务器内存，是正常现象不用担心），并且可能出现测试程序终止的情况，或者运行过程中卡住不动的情况（很久没有下一张图片的推理时，请停止程序重新运行，会接在上一次生成后继续生成），因此请多次运行test.py直至测试结束,两个代码的运行结果可以共享，在保存数据集路径相同的情况下。

训练代码： 训练代码共有四份，依次运行bash train_1.sh、bash train_2.sh、bash train_3.sh、bash train_4.sh

注：为了减轻训练时间过长带来的影响，提供中间过程的模型训练权重（不需要执行bash train_1.sh和bash train_2.sh）。 train_3.sh中./weights/pass50/pixel_attention/checkpoint.pth.tar可替换为./weights/infer_pixel_attnetion_checkpoint.pth.tar train_3.sh中./weights/pass50/pixel_attention/cluster/centroids.npy可替换为./weights/centroids.npy train_4.sh中./weights/pass50_resnet50/checkpoint.pth.tar可替换为./weights/train_pixelattention_checkpoint.pth.tar train_4.sh运行完毕后将生成B榜提交结果，保存在./weights/pass50_sam_upper50/pixel_finetuning/testB中。