mmdetection的安装与使用

在centos 服务器上安装并完成了mmdetection的demo演示。

mmdetection是香港中文大学-商汤联合实验室开源的基于 PyTorch 的检测库。
商汤称，这个开源库提供了已公开发表的多种视觉检测核心模块。通过这些模块的组合，可以迅速搭建出各种著名的检测框架，比如 Faster RCNN，Mask RCNN，和 R-FCN 等，以及各种新型框架，从而大大加快检测技术研究的效率。

我主要是想实验最近SOTA的HTC实例分割模型。。。

安装mmdetection

按照INSTALL.md执行安装流程。

Requirements

• Linux Python 3.5+ (Say goodbye to Python2)
• PyTorch 1.0+ or PyTorch-nightly
• CUDA 9.0+
• NCCL 2+
• GCC 4.9+
• mmcv

We have tested the following versions of OS and softwares:

• OS: Ubuntu 16.04/18.04 and CentOS 7.2
• CUDA: 9.0/9.2/10.0
• NCCL: 2.1.15/2.2.13/2.3.7/2.4.2
• GCC: 4.9/5.3/5.4/7.3

1. 升级gcc

编译mmdetection需要gcc 4.9以上的版本(需要支持c++11)，但是Centos 6默认的gcc版本为4.4，可以先到这里下载gcc安装包，这里我下载的是6.4.0，能用。

# 解压
tar zxvf gcc-6.4.0.tar.gz
cd gcc-6.4.0
#下载gmp mpfr mpc 很慢
./contrib/download_prerequisites	 
# 执行配置     
./configure --prefix=/usr/local/gcc --enable-bootstrap --enable-checking=release --enable-languages=c,c++ --disable-multilib             
# 编译，根据CPU核数调整N
 make -j N
# 安装
make install

安装完就可以在/usr/local/gcc目录下看到一些库文件了。接下来配置环境变量

#查看当前gcc版本
gcc -v                                                                           
# 将gcc6.4导入环境
echo -e '\nexport PATH=/usr/local/gcc/bin:$PATH\n' >> /etc/profile.d/gcc.sh && source /etc/profile.d/gcc.sh

#导出头文件
ln -sv /usr/local/gcc/include/ /usr/include/gcc

#导出库文件
vim /etc/ld.so.conf.d/gcc.conf
 # 64位系统，在打开的文件中加入下面的内容
/usr/local/gcc/lib64                                                     

 #配置生效
ldconfig -v		
				                   
#导出验证
ldconfig -p |grep gcc				                    

再次使用gcc --version应该就可以看到gcc版本已经更新了。

可以使用下面的小程序进行验证

/*
 * test.cpp
 */
#include
#include

using namespace std;

int main()
{  
    shared_ptr<int> p = make_shared<int>(42);
    cout<<"p = "<<*p<<endl;
    return 0; 
}

编译

g++ -std=c++11 -o lol test.cpp

执行./lol可以看到打印出值p=42即可。

2. 安装mmdetection

a. 创建conda虚拟环境并激活，然后安装cpython

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

conda install cython

b. 按照 官方教程安装pytorch(>=1.0)

c. 克隆mmdetection仓库

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection

d. 编译cuda

./compile.sh

e. 安装mmdetection (其他依赖将自动安装).

python setup.py develop
# or "pip install -e ."

不出意外那就是安装好了，接下来可以测试一些功能。

使用mmdetection进行目标检测

根据GETTING_STARTED使用预训练的模型进行推理测试。
这里先从MODEL_ZOO下载一个目标检测模型，我下载的是Faster RNN模型faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth ，放到根目录下的checkpoints目录下。

R-50-FPN	pytorch	1x	3.8	0.353	13.6	36.4	model

我是这样测试的

from mmdet.apis import init_detector, inference_detector, show_result

config_file = 'configs/faster_rcnn_r50_fpn_1x.py'
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth'

# build the model from a config file and a checkpoint file
model = init_detector(config_file, checkpoint_file, device='cuda:0')

# test a single image and show the results
img = 'test.jpg'  # or img = mmcv.imread(img), which will only load it once
output = 'output.png'
result = inference_detector(model, img)
show_result(img, result, model.CLASSES,, score_thr=0.8, out_file=output)

这个教程里也提供了其他的测试方法，以及训练流程，自行查看。

使用mmdetection进行实例分割

待完成…

love SenceTime 6 times

c++
1. 结构体怎么动态增长
2. 介绍几种cast方法
3. 介绍一下线程池
4. 怎么让函数能够接受不固定参数
5. 基类A的派生类B，怎么让B类的函数不可继承
6. class Base. Base A, Base B, A=B，重载=

Python
7. 怎么快速初始化列表
8. 什么时候=是赋值，什么时候是引用