detectron2安装详细教程+demo测试

win10 detectron2 安装教程

1. 准备工作

• conda 添加清华镜像源
  参考这篇文章：Conda 常用命令详解 + 配置
• pip 添加清华镜像源
  参考这篇文章：pip添加各种国内镜像源
• 注意：全文所用 cmd 都需要用管理员身份打开❗

  嫌每次都右击选择管理员身份麻烦的话参考这篇文章：如何设置 cmd 默认以管理员身份打开？

2. Requirements (安装依赖)

• Linux 或 macOS Python≥ 3.7

• PyTorch ≥ 1.8 和 与 PyTorch安装版本 相匹配的 torchvision。
  将它们一起从 pytorch.org 安装来确保这一点。

  安装PyTorch参考链接：Win10 安装 CUDA（CUDA Toolkit）、cuDNN + PyTorch 详细教程

• gcc & g++ ≥ 5.4

  1. 下载链接：MinGW-w64 - for 32 and 64 bit Windows
     下载好之后解压到本地即可。

     sjlj 稳定性好，支持 32位。seh 性能比较好，但不支持 32位，64位的选seh。
     选第四个即可
     
     也可以选择下载 在线安装工具 然后完整安装：
     

  2. 添加系统环境变量

     参考：你的安装位置\MinGW64\bin

• OpenCV 是可选的，但演示和可视化需要它。

  OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了很多函数，这些函数非常高效地实现了计算机视觉算法（最基本的滤波到高级的物体检测皆有涵盖）。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV 的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、人机交互、人脸识别、动作识别、动作跟踪、无人驾驶等。

  pip install opencv-contrib-python=4.5.3.56
  

  这个版本的 opencv-python 在 Python3.8+PyTorch1.8.1 环境下运行正常。

• fvcore

  fvcore是一个轻量级的核心库，它提供了在各种计算机视觉框架 (如Detectron2)中共享的最常见和最基本的功能。 这个库基于Python 3.6+ 和 PyTorch。

  1. 点击fvcore 下载链接到GitHub下载压缩包到本地

  2. 解压并 cd 到 setup.py 所在目录

     cd 你的下载目录\fvcore
     

  3. 然后用指令安装

     python setup.py build --force develop
     

• ninja 是可选的，但建议使用，可以帮助更快的构建detectron2。

  命令行安装：pip install ninja 或 conda install ninja

• pycocotools

  COCO(Common Objects in Context)，是微软团队提供的一个可以用来进行图像识别的数据集。

  pycocotools(python api tools of COCO) 有助于在COCO中加载、解析和可视化annotations。

  但是，pycocotools的维护者不再提供Windows平台的支持。所以在Windows安装需要修改一些源文件的内容。

  方法一：这是微雨曳荷.Windows下安装detectron2（免修改版本）的方法，可以尝试

  pip install pycocotools-windows
  

  方法二：点击链接GitHub - philferriere/cocoapi: Clone of COCO API 下载 Github 上 修改好 适合windows的coco版本 到本地，然后用pip setup.py安装

  cd coco/PythonAPI
  python setup.py build_ext --inplace
  python setup.py build_ext install
  

• Visual Studio 2019——MSVC编译环境

  detectron2需要微软的MSVC（Microsoft Visual C/C++）编译器。(需要MSVC当中的cl.exe)
  注意安装 2017~2019版！！

  点击链接Visual Studio 官方下载地址下载 官方生成工具 后双击运行安装即可。

  1. 安装只选择 C++ build tools 选项即可

     

  2. 建议安装到默认位置

  3. 添加系统环境变量（detectron2需要MSVC当中的cl.exe，因此你需要配置cl.exe的系统环境）

     参考：C:\Program Files (x86)\Microsoft Visual Studio\2019\BuildTools\VC\Tools\MSVC\14.29.30133\bin\Hostx64\x64

3. 安装detectron2

1. 点击链接 GitHub - Detectron2免修改版下载链接 下载到本地后解压到一个你确定不会删的文件夹

   这是Github作者修改过的版本，放在了Github上，下载.zip压缩包（也可以git clone 链接克隆到本地）并用命令行安装即可。(下载下来是detectron2框架所有文件，)

2. 运行 cmd 并 cd到这个文件夹

   或者在这个文件夹地址栏输入cmd并回车，打开的cmd就已经进入到当前目录了

3. 然后用下面命令安装：

   pip install -e .
   

至此detectron2框架就安装好了。

4. 运行demo.py进行测试

demo.py:

from detectron2.engine.defaults import DefaultPredictor
from detectron2.config import get_cfg
from detectron2.data import MetadataCatalog    # 元数据目录
from detectron2.utils.visualizer import Visualizer, ColorMode
from detectron2 import model_zoo    # 图像库

"""
总之，DataCatalog和MetadataCatalog两个类实现了torch.utils.data.Dataset的创建与具体数据集读取的分，
提供了使用字符串创建Dataset和DataLoader的方法。
"""

import cv2
import numpy as np


class Detector:
	"""
	定义检测器
	"""
    def __init__(self, model_type='OD'):
        self.cfg = get_cfg()    # 配置文件
        if model_type == 'OD':    # 目标检测模式
            self.cfg.merge_from_file(model_zoo.get_config_file(
                "COCO-Detection/faster_rcnn_R_101_FPN_3x.yaml"))    # coco图像库已经训练好的图像模型（Faster-RCNN；ResNet101）
            self.cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url(    # 模型权重
                "COCO-Detection/faster_rcnn_R_101_FPN_3x.yaml")
        elif model_type == "IS":    # 实例分割模式
            self.cfg.merge_from_file(model_zoo.get_config_file(
                "COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml"))
            self.cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url(
                "COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml")

        self.cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.7    # 分数阈值测试
        self.cfg.MODEL.DEVICE = 'cuda'    # 运算设备
        self.predictor = DefaultPredictor(self.cfg)    # 最基本的预测器

    def onImage(self, imagePath):
        image = cv2.imread(imagePath)    # 读取图像
        predictions = self.predictor(image)    # 预测（置信度，位置，类别）

        viz = Visualizer(image[:, :, ::-1], 
                        metadata=MetadataCatalog.get(self.cfg.DATASETS.TRAIN[0]),
                        instance_mode=ColorMode.IMAGE_BW)    # 可视化工具

        output = viz.draw_instance_predictions(predictions["instances"].to('cpu'))    # 把 GPU 跑的数据结果放到 CPU

        cv2.imshow("Result", output.get_image()[:, :, ::-1])
        cv2.waitKey()

if __name__ == '__main__':
	detector = Detector(model_type='IS')	# 这里选择检测模式（'OD': 目标检测；'IS': 实例分割）
	detector.onImage('./test1.jpg')	# 这里放你的测试图片路径

测试图片：

测试结果：

终于配置好了，还不含泪三连❗❗❗

References：

1. Requirements (必备条件)部分可参考：小白wwj.Windows10下安装detectron2超详细教程（小白视角）

2. detectron2安装部分可参考：微雨曳荷.Windows下安装detectron2（免修改版本）

3. 关于 python setup.py install 的理解：python setup.py install 常用命令参数详解

4. detectron2 官方文档