detectron2系列：安装

安装

我们的Colab Notebook(https://colab.research.google.com/drive/16jcaJoc6bCFAQ96jDe2HwtXj7BMD_-m5) 具有逐步指导说明如何安装detectron2。该Dockerfile(https://github.com/facebookresearch/detectron2/blob/master/docker/Dockerfile) 使用用一些简单的命令来安装detectron2。

要求
带有Python≥3.6的Linux或macOS

PyTorch≥1.3

torchvision的PyTorch安装相匹配。你可以在pytorch.org上将它们安装在一起以确保这一点。

演示和可视化所需的OpenCV(可选)

pycocotools：pip install cython; pip install ‘git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI’

从源代码构建Detectron2
在具有上述依赖性并且gcc＆g ++≥4.9之后,运行：

pip install ‘git+https://github.com/facebookresearch/detectron2.git’

(如果没有权限,则添加user)

或者,要从本地克隆安装：

git clone https://github.com/facebookresearch/detectron2.git
cd detectron2 && pip install -e .

或者在macOS上

CC=clang CXX=clang++ pip install -e .

要重建从本地克隆生成的detectron2，rm -rf build/ **/*.so后pip install -e。重新安装PyTorch之后,你通常需要重建detectron2。.

安装预建Detectron2

for CUDA 10.1:

pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/index.html

可以用"cu{100,92}"或"cpu"替换cu101。注意：

这种安装必须与最新的官方PyTorch版本(当前为1.4)一起使用，它不适用于你自定义的PyTorch构建。

这样的安装是detectron2的wrt master分支过期，它可能与使用detectron2的研究项目的主分支(例如,项目或meshrcnn中的分支)不兼容 。

常见的安装问题
如果你在使用预制的Detectron2时遇到问题,请卸载它并尝试从源代码进行构建。

运行库时,未定义的 torch/aten/caffe2 符号或分割错误立即出现。

解决：

如果detectron2或torchvision没有使用你正在运行的PyTorch版本进行编译,则可能会发生这种情况。如果使用预制的Torchvision,请卸载torchvision和pytorch,然后在 pytorch.org(https://pytorch.org/) 之后重新安装它们。如果你手动生成detectron2或torchvision,请删除所生成的文件(build/,**/*.so)并重新生成它们。

如果你无法解决问题,请在问题中包含 gdb -ex “r” -ex “bt” -ex “quit” --args python -m detectron2.utils.collect_env的输出。

detectron2/_C*.so 中未定义C ++符号。

解决：通常是因为该库是用较新的C ++编译器编译的,但却用较旧的C ++来运行。使用旧的python可能也会发生这种情况。尝试conda update libgcc 。然后重建detectron2。

“未使用GPU支持进行编译"或"Detectron2 CUDA编译器：不可用”。

解决：

python -c ‘import torch; from torch.utils.cpp_extension import CUDA_HOME; print(torch.cuda.is_available(), CUDA_HOME)’

生成detectron2时未找到CUDA。你应该确保

“无效的设备功能"或"没有内核映像可用于执行”。

两种可能性：

你使用一个版本的CUDA构建detectron2,但使用其他版本运行它。

要检查是否存在这种情况,请使用python -m detectron2.utils.collect_env找出不一致的CUDA版本。在此命令的输出中,“Detectron2 CUDA编译器”,“CUDA_HOME”,"使用-CUDA构建的PyTorch"包含相同版本的cuda库。

当它们不一致时,你需要安装其他版本的PyTorch(或自己构建)以匹配本地CUDA安装,或者安装其他版本的CUDA以匹配PyTorch。

Detectron2或PyTorch/orchvision不是为正确的GPU架构(计算兼容性)而构建的。

PyTorch/detectron2/torchvision的GPU架构可在python -m detectron2.utils.collect_env中的"体系结构标志"找到 。

默认情况下,detectron2 / torchvision的GPU架构标志与构建期间检测到的GPU模型匹配，这意味着编译后的代码可能无法在其他GPU模型上运行。要覆盖detectron2 / torchvision的GPU体系结构,请在构建过程中使用TORCH_CUDA_ARCH_LIST环境变量。

例如,export TORCH_CUDA_ARCH_LIST=6.0,7.0使其适用于P100和V100。请访问https://developer.nvidia.com/cuda-gpus,以找到适合你设备的正确计算兼容性编号。

未定义的CUDA符号或无法打开 libcudart.so.

解决：

用于构建detectron2或torchvision的NVCC的版本与运行CUDA的版本不匹配。使用anaconda的CUDA运行时通常会发生这种情况。

使用python -m detectron2.utils.collect_env找出不一致的CUDA版本。在此命令的输出中,“Detectron2 CUDA编译器”,“CUDA_HOME”,"使用-CUDA构建的PyTorch"包含相同版本的cuda库。

当它们不一致时,你需要安装其他版本的PyTorch(或自己构建)以匹配本地CUDA安装,或者安装其他版本的CUDA以匹配PyTorch。

“ImportError：无法导入名称’_C’”。

解决：请按照上述说明构建并安装detectron2。

进行"TraceWarning"后,出现ONNX转换段错误。

解决：使用编译器从其源代码构建和安装ONNX,该编译器的版本与PyTorch使用的版本更接近(可在torch.config.show()中找到)。

参考链接：https://detectron2.readthedocs.io/tutorials/install.html