mmdetection配置
mmdetection配置
简介
商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN，Cascade-RCNN等主流目标检测框架。可以快速部署自己的模型。
环境要求
- Linux (不支持windows)
- Python 3.5+
- >=PyTorch 1.1
- >=CUDA 9.0
- NCCL 2
- >=GCC 4.9
- mmcv
安装过程简介：
1.Ubuntu18.04
2.安装NVIDIA显卡驱动与CUDA
3.安装NCCL
4.安装anaconda
5.安装Pytorch和Torchvision
6.安装mmcv
7.安装mmdetection
8.测试
参考：https://blog.csdn.net/No__names/article/details/90708566
步骤
2、安装驱动
https://www.cnblogs.com/aclearn/p/9463958.html
https://www.cnblogs.com/zmbreathing/p/Nvidia-driver_ubuntu.html
https://www.jianshu.com/p/e2a15336f174
驱动ok
CUDA配置：（>=9.0
cuda10.0
https://blog.csdn.net/EliminatedAcmer/article/details/80528980
result=pass 安装成功
ok
3、NCCL 2 配置：
参考：https://blog.csdn.net/No__names/article/details/90708566
nccl2.5.6
sudo dpkg -i nccl-repo-ubuntu1804-2.5.6-ga-cuda10.0_1-1_amd64.deb
sudo apt update
//网络安装需要下一个命令 本地安装不需要
sudo apt install libnccl2 = 2.5.6-1 + cuda10.0 libnccl-dev = 2.5.6-1 + cuda10.0
4、anaconda 配置
anaconda
Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。
Anaconda是一个包含180+的科学包及其依赖项的发行版本。其包含的科学包包括：conda, numpy, scipy, ipython notebook等。
参考官方文档：https://docs.anaconda.com/anaconda/install/linux/
1.前往官方下载页面下载 Python3.7
2.启动终端 输入 sha256sum /path/filename
3.bash ~/Downloads/Anaconda3-2019.10-Linux-x86_64.sh
4.source ~/.bashrc //启动
验证安装：
https://docs.anaconda.com/anaconda/install/verify-install/
打开Anaconda Prompt或终端后，选择以下任何一种方法进行验证：
- 输入。如果Anaconda已安装且正在运行，它将显示已安装软件包及其版本的列表。
conda list - 输入命令
python。此命令运行Python Shell。如果Anaconda已安装且正在运行，则其启动时显示的版本信息将包含“ Anaconda”。要退出Python Shell，请输入命令quit()。 - 使用命令打开Anaconda Navigator
anaconda-navigator。如果正确安装了Anaconda，Anaconda Navigator将打开。
conda
conda是包及其依赖项和环境的管理工具。
适用语言：Python, R, Ruby, Lua, Scala, Java, JavaScript, C/C++, FORTRAN。
适用平台：Windows, macOS, Linux
用途：
快速安装、运行和升级包及其依赖项。
在计算机中便捷地创建、保存、加载和切换环境
conda为Python项目而创造，但可适用于上述的多种语言。
conda包和环境管理器包含于Anaconda的所有版本当中。
pip
pip是用于安装和管理软件包的包管理器。
pip编写语言：Python。
Python中默认安装的版本：
Python 2.7.9及后续版本：默认安装，命令为pip
Python 3.4及后续版本：默认安装，命令为pip3
virtualenv
virtualenv：用于创建一个独立的Python环境的工具。
解决问题：
当一个程序需要使用Python 2.7版本，而另一个程序需要使用Python 3.6版本，如何同时使用这两个程序？
如果将所有程序都安装在系统下的默认路径，如：/usr/lib/python2.7/site-packages，当不小心升级了本不该升级的程序时，将会对其他的程序造成影响。
如果想要安装程序并在程序运行时对其库或库的版本进行修改，都会导致程序的中断。
在共享主机时，无法在全局site-packages目录中安装包。
virtualenv将会为它自己的安装目录创建一个环境，这并不与其他virtualenv环境共享库；同时也可以选择性地不连接已安装的全局库。
5、Pytorch 配置(>=1.1
conda创建一个虚拟环境
conda create -n open-mmlab python=3.7 -y #创建名为open-mmlab,python版本为3.7的虚拟环境
conda activate open-mmlab #进入虚拟环境
安装pytorch及torchvision
https://pytorch.org/get-started/previous-versions/#linux-and-windows
# CUDA 10.0
conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch //可去掉-c pytorch
conda 连接超时和获取超时时间设置
conda config --show
conda config --set remote_connect_timeout_secs 60
conda config --set remote_read_timeout_secs 360
6.安装mmcv
git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
pip install .
安装依赖包：
pip install mmcv
pip install matplotlib
pip install seaborn
pip安装时如果速度很慢，后面加 -i https://pypi.tuna.tsinghua.edu.cn/simple，使用国内源，例如使用清华源安装mmcv：
pip install mmcv -i https://pypi.tuna.tsinghua.edu.cn/simple
必须先安装mmcv，再运行setup.py编译,不然会报错。
7、安装mmdetection
官方文档https://github.com/jmu201521121021/mmdetection/blob/master/docs/INSTALL.md
下载mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
安装mmdetection
安装构建要求，然后安装mmdetection。（我们通过github repo而不是pypi安装pycocotools，因为pypi版本较旧并且与最新的numpy不兼容。）
pip install -r requirements/build.txt
pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
pip install -v -e . # or "python setup.py develop
8、test.py
验证，下载Faster R-CNN 的pth或者Cascade R-CNN 的pth;
代码在mmdetection目录下，在conda创建一个虚拟环境open-mmlab中运行test.py
from mmdet.apis import init_detector, inference_detector, show_result
import mmcv
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 = 'demo/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='demo/result.jpg')
Cascade R-CNN 结果：