深度学习目标检测框架mmdetection安装和配置环境，并进行demo测试
# 一.前言
商汤和港中文联合开源了 mmdetection—基于 PyTorch 的开源目标检测工具包。
工具包支持 Mask RCNN 等多种流行的检测框架，读者可在 PyTorch 环境下测试不同的预训练模型及训练新的检测分割模型。
项目地址：https://github.com/open-mmlab/mmdetection
mmdetection 目标检测工具包
mmdetection 的主要特征可以总结为以下几个方面：
- 模块化设计：你可以通过连接不同组件轻松构建自定义目标检测框架。
- 支持多个框架，开箱即用：该工具包直接支持多种流行的检测框架，如 Faster RCNN、Mask RCNN、RetinaNet 等。
- 高效：所有基础边界框和掩码运算都在 GPU 上运行。不同模型的训练速度大约比 FAIR 的 Detectron 快 5% ~ 20%。
- 当前最优：这是 MMDet 团队的代码库，该团队赢得了 2018 COCO 检测挑战赛的冠军
#二.搭建环境
Requirements
- Linux (Windows is not officially supported)
- Python 3.5+ (Python 2 is not supported)
- PyTorch 1.1 or higher
- CUDA 9.0 or higher
- NCCL 2
- GCC(G++) 4.9 or higher
- mmcv
## 1.cuda环境搭建
本文电脑显卡是1080ti，系统ubuntu16Lte，因为之前用的cuda版本都是8.0，所以这次首先要升级cuda版本
之前博文有教程：https://blog.csdn.net/qq_35153620/article/details/102724191
## 2.安装python环境
我安装的是python3.6
(1)下载anaconda，https://www.anaconda.com/
这里选择anaconda2或者anaconda3都可以，
安装，bash Anaconda2-2019.10-Linux-x86_64.sh（下载的anaconda安装文件名）
安装过程，点回车和yes就行
(2)创建python3.6环境
输入指令：
conda create -n pytorch python=3.6 numpy
(3)安装pytorch
https://pytorch.org/
选择你需要的pytorch，
在输入安装命令
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch测试pytorch的gpu版本是否可以正常使用：
输入命令进入python编译模式：
python
输入命令加载pytorch：
import pytorch
输入命令查看gpu是否可以使用：
print(torch.cuda.is_available())
如果返回True，则表示安装成功
(4)安装opencv
conda install opencv
Package选择Conda，
最后会出现安装命令，先输入命令进入python3.6环境下：
source activate pytorch
(5)安装opencv
直接安装可能会比较慢，建议用镜像源，使用清华镜像源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
输入命令安装：
conda install opencv
(5)安装mmcv
pip install mmcv
(6)安装matplotlib
conda install matplotlib
(7)安装terminaltables
conda install terminaltables
(8)安装pycocotools
conda install pycocotools
(9)安装scipy
conda install scipy
(10)安装imgaug
conda install imgaug
(11)安装mmdetection
进入mmdetection文件下，输入命令：
python setup.py develop
## 安装nccl用于gpu并行计算
从网址下载，需要登录账号，https://developer.nvidia.com/nccl
根据https://docs.nvidia.com/deeplearning/sdk/nccl-install-guide/index.html网页中的教程，选择安装本地版本还是网络版本
# 进行demo测试
config_file = '/configs/faster_rcnn_r50_fpn_1x.py'
checkpoint_file = '/checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth'
上面地址最好改成绝对地址，且checkpoint_file存放的权重文件，
权重最好提前下好，https://s3.ap-northeast-2.amazonaws.com/open-mmlab/mmdetection/models/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth
这个比较慢，可以再百度云下载
https://pan.baidu.com/s/1yj1vxUMQRl5Olga4D79-Aw#list/path=%2F
提取码：dpyl
from mmdet.apis import init_detector, inference_detector, show_result
import mmcv
config_file = '/home/omnisky/project/lyx/mmdetection/configs/faster_rcnn_r50_fpn_1x.py'
checkpoint_file = '/home/omnisky/project/lyx/mmdetection/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
result = inference_detector(model, img)
# visualize the results in a new window
show_result(img, result, model.CLASSES)
# or save the visualization results to image files
show_result(img, result, model.CLASSES, out_file='result.jpg')
# test a video and show the results
video = mmcv.VideoReader('video.mp4')
for frame in video:
result = inference_detector(model, frame)
show_result(frame, result, model.CLASSES, wait_time=1)