mmLab系列使用方法

环境搭建

Windows最推荐安装方法：

1. 首先需要查好自己gpu的CUDA版本，根据版本到pytorch官方网站查找对应的pytorch版本(!!!只查找不下载！)https://pytorch.org/get-started/locally/

示例：gpu为3060

cmd中使用下列命令查看cuda版本:这查看的是CUDA最高支持的版本，并不一定是你环境里的版本！

nvidia-smi

cmd中查看CUDA版本nvcc -V，这里查看的是你安装的CUDA Toolkit版本，如果没有的话，再根据上面CUDA Version信息下载

到官网进行查看

这里获得需要下载的命令，注意！！不要再cmd中使用该命令下载，也不要使用清华源下载，这样非常容易默认安装成cpuonly的版本，导致无法使用GPU！坑很多

2. 根据上述命令，到轮子网站https://download.pytorch.org/whl/torch_stable.html添加链接描述中CTRL +F 查找对应版本进行下载
   一定要对应好你的python版本，cuda版本以及windows版本
   
   

3. 创建新的虚拟环境

conda create -n mmlab python=3.7
conda avtivate mmlab

cd 进入下载好的whl文件位置，pip进行安装

pip install E:/torch-1.8.0+cu101-cp37-cp37m-win_amd64.whl

4. 测试gpu是否可用

import torch
flag = torch.cuda.is_available()
print(flag)
 
ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print(device)
print(torch.cuda.get_device_name(0))
print(torch.rand(3,3).cuda()) 

5. 下载mmlab需要的环境mmcv

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html

其中{cu_version}/{torch_version}填写自己的版本，我的是

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.12.1/index.html

6.官网下载对应的代码安装包zip，并进行环境配置

• 检测mmdetection
  https://github.com/open-mmlab/mmdetection.git
• 分割 mmsegmentation
  https://github.com/open-mmlab/mmsegmentation
• 字符识别 mmocr
  https://github.com/open-mmlab/mmocr
• 部署 mmdeploy
  https://github.com/open-mmlab/mmdeploy

在对应的文件夹中安装对应配置

cd 你下载解压好的文件夹
python setup.py develop

mmdetection

检查

1. 检测是否安装成功
   安装pip install -U openmim
   下载mim download mmdet --config yolov3_mobilenetv2_320_300e_coco --dest .

python demo/image_demo.py demo/demo.jpg yolov3_mobilenetv2_320_300e_coco.py yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --device cpu --out-file result.jpg

运行成功且result.jpg有对应框

数据集

2. 准备数据集
   将数据组织成COCO格式的数据

注意：MMDetection 现只支持对 COCO 格式的数据集进行 mask AP 的评测。

以能够同时分割检测的mask-rcnn 为例

{
    "images": [image],
    "annotations": [annotation],
    "categories": [category]
}


image = {
    "id": int,
    "width": int,
    "height": int,
    "file_name": str,
}

annotation = {
    "id": int,
    "image_id": int,
    "category_id": int,
    "segmentation": RLE or [polygon],
    "area": float,
    "bbox": [x,y,width,height],
    "iscrowd": 0 or 1,
}

categories = [{
    "id": int,
    "name": str,
    "supercategory": str,
}]

这里有之前写好的labelme2coco.py进行转化

import json
import os
#读入没有标注的测试集，转换成coco的json模式
pic_dir = 'D:\MyDatasets\qisheng_tianjiao\qs-front-coco/images/test'  # 图片存放文件夹名
# root为文件夹的名字，dirs  , files为由文件夹内的每个文件的名称组成数组
jpg_num=0


#print("发现label：{}张",jpg_num)
list=[]
for jpg_file_ in os.listdir(pic_dir):
    list.append(jpg_file_)
    print(jpg_file_)

print(list)
print(len(list))
def get_json_data():  # 获取json里面数据
    dicts = {}  # 用来存储数据
    with open('D:\MyDatasets\qisheng_tianjiao\qs-front-coco/annotations/instances_test2017.json', 'r', encoding='utf8') as f:
        json_data = json.load(f)
        features = json_data["images"]
        #print(features)
        i=0

        for feature in features:
            if i < len(list):
            #filename=feature['file_name']
                feature['file_name']=list[i]
                dicts = json_data
                print(feature['file_name'])
                print(i)
            i = i + 1
        dicts = json_data  # 将修改后的内容保存在dict中
    return dicts


def write_json_data(dict):  # 写入json文件
    with open('D:\MyDatasets\qisheng_tianjiao\qs-front-coco/annotations/instances_test2017.json', 'w') as r:
        json.dump(dict, r)

file = get_json_data()
write_json_data(file)

3. 准备配置文件

# 这个新的配置文件继承自一个原始配置文件，只需要突出必要的修改部分即可
_base_ = 'mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py'

# 我们需要对头中的类别数量进行修改来匹配数据集的标注
model = dict(
    roi_head=dict(
        bbox_head=dict(num_classes=1),
        mask_head=dict(num_classes=1)))

# 修改数据集相关设置
dataset_type = 'CocoDataset'
classes = ('balloon',)
data = dict(
    train=dict(
        img_prefix='balloon/train/',
        classes=classes,
        ann_file='balloon/train/annotation_coco.json'),
    val=dict(
        img_prefix='balloon/val/',
        classes=classes,
        ann_file='balloon/val/annotation_coco.json'),
    test=dict(
        img_prefix='balloon/val/',
        classes=classes,
        ann_file='balloon/val/annotation_coco.json'))

# 我们可以使用预训练的 Mask R-CNN 来获取更好的性能
load_from = 'checkpoints/mask_rcnn_r50_caffe_fpn_mstrain-poly_3x_coco_bbox_mAP-0.408__segm_mAP-0.37_20200504_163245-42aa3d00.pth'

运行

4. 训练模型

python ./tools/train.py ./configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco_YUAN.py

5. 测试模型

python tools/test.py configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py work_dirs/mask_rcnn_r50_fpn_1x_coco/latest.pth --eval bbox  --show --show-dir work_dirs/mask_rcnn_r50_fpn_1x_coco/result

部署

具体环境配置等部署相关内容见下面mmdeploy，这里先展示相应命令

1. 导出的模型储存在mmdeploy文件夹下
2. 导出模型
   将训练好的pytorfch权重文件.pth 转化为onnx并且转为tensorrt需要的.engine文件

python tools/deploy.py 
configs/mmdet/detection/detection_tensorrt_dynamic-320x320-1344x1344.py 
../mmdetection-master/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py 
../mmdetection-master/checkpoints/best_101.pth 
../mmdetection-master/demo/1.jpg 
--work-dir ../mmdeploy_out/mmdet/faster_rcnn_r50_trt/ --device cuda:0 --dump-info

3. 使用c++生成的exe运行测试

object_detection.exe cuda 
权重————E:\\PycharmProjects\\mmdeploy_out\\mmdet\\faster_rcnn_r50_trt 
图片————E:\PycharmProjects\mmdetection-master\data\coco\val2017\

mmdeploy

这里只有我们所用的c++接口，匹配tensorRT的部署方法
最好在训练模型之前查看支持部署的模型
https://github.com/open-mmlab/mmdeploy/blob/master/README_zh-CN.md
推荐参考https://blog.csdn.net/qq_39435411/article/details/126010874

环境搭建

在已经搭建好mmdetection的情况下

1. 安装 MMDeploy SDK 依赖
   安装OpenCV并且添加至系统变量

2. 安装vs2019（不支持vs2017）

3. 安装pplcv
   pplcv 是 openPPL 开发的高性能图像处理库
   在以下链接下载https://github.com/openppl-public/ppl.cv.git

cd ppl.cv
git checkout tags/v0.7.0 -b v0.7.0

将ppl.cv的文件夹放入环境变量

mkdir pplcv-build
cd pplcv-build
cmake .. -G "Visual Studio 16 2019" -T v142 -A x64 -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=install -DPPLCV_USE_CUDA=ON -DPPLCV_USE_MSVC_STATIC_RUNTIME=OFF
cmake --build . --config Release -- /m
cmake --install . --config Release
cd ../..

使用

1. 在官网下载mmdeploy安装包
   https://github.com/open-mmlab/mmdeploy 并解压

2. 新建build文件夹，cd进去

3. 编译（复制后要删除空行）
   填好对应文件夹位置

#vs2019
cmake .. -G "Visual Studio 16 2019" -A x64 -T v142 
-DMMDEPLOY_BUILD_SDK=ON -DMMDEPLOY_TARGET_DEVICES="cuda" 
-DMMDEPLOY_TARGET_BACKENDS="trt" 
-DMMDEPLOY_CODEBASES="all" 
-Dpplcv_DIR="E:\PycharmProjects\mmdetection-master\ppl.cv\pplcv-build\install\lib\cmake\ppl" 
-DTENSORRT_DIR="E:\PycharmProjects\mmdetection-master\ppl.cv\pplcv-build\install\lib\cmake\ppl" 
-DCUDNN_DIR="C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3"

cmake --build . --config Release -- /m
cmake --install . --config Release

4. 编译mmdeploy example

cd $env:MMDEPLOY_DIR\build\install\example
mkdir build -ErrorAction SilentlyContinue
cd build
cmake .. -G "Visual Studio 16 2019" -A x64 -T v142 ` -DMMDeploy_DIR="E:\\PycharmProjects\\mmdeploy-master\\build\\install\\lib\\cmake\\MMDeploy"

cmake --build . --config Release -- /m

5. 推理测试

cd Release
object_detection.exe cuda F:\mmdeploy_c_sdk_demo\models\yolox_s F:\\gy77\\mmdetection\\demo\\demo.jpg

在Release文件夹下生成了mmdeploy支持部署的各种exe文件，可以导入对应转换好的engine文件进行测试

mmOCR 和mmSegmentation具体使用方法以及部署方法同类似，以下只放出对应命令，具体使用可以参考官方文档

mmOCR

Libra-Rcnn

1. python ./tools/train.py ./configs/libra_rcnn/libra_faster_rcnn_r50_fpn_1x_coco.py
2.python tools/test.py configs/libra_rcnn/libra_faster_rcnn_r50_fpn_1x_coco.py work_dirs/libra_faster_rcnn_r50_fpn_1x_coco/best_bbox_mAP_epoch_136.pth --eval bbox  --show --show-dir work_dirs/libra_faster_rcnn_r50_fpn_1x_coco/result
3.python tools/deploy.py configs/mmdet/detection/detection_tensorrt_dynamic-320x320-1344x1344.py ../mmdetection-master/configs/libra_rcnn/libra_faster_rcnn_r50_fpn_1x_coco.py  ../mmdetection-master/work_dirs/libra_faster_rcnn_r50_fpn_1x_coco/best_bbox_mAP_epoch_136.pth ../mmdetection-master/demo/1.jpg --work-dir ../mmdeploy_out/mmdet/libra_faster_rcnn_r50_fpn_1x_coco/ --device cuda:0 --dump-info

mmsegmentation

训练

python tools/train.py E:\PycharmProjects\mmsegmentation-master\configs\bisenetv2\bisenetv2_fcn_4x4_1024x1024_160k_cityscapes.py 
--work-dir workplace

测试

python tools/test.py configs/bisenetv2/bisenetv2_fcn_4x4_1024x1024_160k_cityscapes.py 
workplace/latest.pth --show-dir workplace/output_dir

部署

python tools/deploy.py configs/mmdet/detection/detection_tensorrt_dynamic-320x320-1344x1344.py 
../mmdetection-master/configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py 
../mmdetection-master/checkpoints/latest.pth ../mmdetection-master/demo/1.jpg --work-dir ../mmdeploy_out/mmdet/faster_rcnn_r50_trt/ 
--device cuda:0 --dump-info