3D目标检测入门-mmdetection3d的环境配置

该博文介绍了从ubuntu纯净系统进行mmdetection3d的环境配置过程！mmdetection3d踩坑巨多！

1 安装显卡驱动

1.1首先输入如下命令，查询系统推荐的驱动程序

ubuntu-drivers devices

输出如上，找到driver recommended 即为当前计算机所推荐的显卡。

1.2 接着输入下述指令进行显卡驱动的安装

sudo apt install nvidia-driver-470

等待后即可完成显卡驱动的安装

在终端输入

nvidia-smi

检查驱动是否安装成功！
若成功则输出如下：

2 cuda和cudnn的安装

2.1进入nvidia官网下载cuda

各版本cuda下载链接
本人下载的cuda11.0版本（建议cuda版本不要太高，避免与mmdetection3d版本不兼容）

打开终端输入

wget https://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda_11.0.2_450.51.05_linux.run
sudo sh cuda_11.0.2_450.51.05_linux.run

进行下载和安装唯一需要注意的是不要选择安装驱动的选项即可（在第一项按Enter取消），其它可都按照默认选项安装。安装完成后输入如下指令进行系统路径配置

sudo gedit ~/.bashrc

在文件末尾加上2行代码即可：

export PATH=/usr/local/cuda-11.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

此时检查cuda是否安装成功只需在终端输入

nvcc -V

输出上述信息则安装cuda完成。

2.1进入nvidia官网下载cudnn

CUDA11.0对应的cuDNN版本为8.0.5，下载地址为cudnn下载地址，

在下载的安装包文件夹下打开终端，解压文件，输入如下：

tar -zxvf cudnn-11.0-linux-x64-v8.0.5.39.tgz

进入解压目录，打开终端输入：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

至此完成cudnn的安装。

3 Anaconda的安装

进入官网下载，anaconda下载地址

进入下载的sh文件所在的文件夹，终端输入

sudo sh Anaconda3-5.0.1-Linux-x86_64.sh

无脑安装即可

4 pytorch的安装

4.1创建anaconda虚拟环境

输入如下指令创建并激活虚拟环境

conda create --name openmmlab python=3.7 -y
conda activate openmmlab

个人推荐python版本使用3.7版本。（否则后续跑代码时open3d版本有兼容性问题）

4.2安装pytorch

pytorch下载地址

在4.1的终端中输入

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch

进行pytorch安装。
安装完成后检查pytorch是否安装成功，能否使用cuda
在当前终端输入

python
import torch
torch.cuda.is_available()

输出结果如上代表pytorch安装成功！

4.3安装mmdetecion3d

在激活虚拟环境的终端中输入下述指令，即可完成整个mmdetection3d的安装

pip install openmim
mim install mmcv-full
mim install mmdet
mim install mmsegmentation
git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -e .

输出上述信息代表整个mmdetection3d安装成功！

4.4测试mmdetecion3d的目标检测代码

（1）下载预训练模型：预训练权重链接
（2）新建checkpoints目录，将下载下来的模型文件放入该目录。

（3）运行测试脚本：

 python demo/pcd_demo.py demo/data/kitti/kitti_000008.bin configs/second/hv_second_secfpn_6x8_80e_kitti-3d-car.py checkpoints/hv_second_secfpn_6x8_80e_kitti-3d-car_20200620_230238-393f000c.pth  --snapshot

输出结果如下

使用meshlab进行结果可视化：

完结撒花！！！！！！！！！！