MMDetection——1.安装（中文官方文档一）

MMDetection——1.开始使用（翻译版）

内容基本上都是自己理解并翻译过来的，原文有些小前提没讲，我在自己安装的时候出现了一些小问题，这里加上了一点点补充。供大家参考！

先决条件

• Linux or macOS (Windows 正在实验测试支持中)
• Python 3.6+
• PyTorch 1.3+
• CUDA 9.2+ (如果 PyTorch 是从源代码安装的, CUDA 9.0 也兼容)
• GCC 5+
• MMCV

兼容的MMDetection和MMCV版本如下。请正确安装版本的MMCV，以避免安装问题。

MMDetection version	MMCV version
master	mmcv-full>=1.2.4, <1.4.0
2.11.0	mmcv-full>=1.2.4, <1.4.0
2.10.0	mmcv-full>=1.2.4, <1.4.0
2.9.0	mmcv-full>=1.2.4, <1.4.0
2.8.0	mmcv-full>=1.2.4, <1.4.0
2.7.0	mmcv-full>=1.1.5, <1.4.0
2.6.0	mmcv-full>=1.1.5, <1.4.0
2.5.0	mmcv-full>=1.1.5, <1.4.0
2.4.0	mmcv-full>=1.1.1, <1.4.0
2.3.0	mmcv-full==1.0.5
2.3.0rc0	mmcv-full>=1.0.2
2.2.1	mmcv==0.6.2
2.2.0	mmcv==0.6.2
2.1.0	mmcv>=0.5.9, <=0.6.1
2.0.0	mmcv>=0.5.1, <=0.5.8

注意：如果已安装mmcv，则需要首先运行 pip uninstall mmcv 。 如果同时安装了mmcv和mmcv-full，将出现ModuleNotFoundError。

安装

1. 你可以使用以下命令简单地安装mmdetection: pip install mmdet

2. 创建一个conda虚拟环境并激活它.

   conda create -n open-mmlab python=3.7 -y
   conda activate open-mmlab
   

3. 按照 official instructions安装PyTorch和Torchvision，例如,

   conda install pytorch torchvision -c pytorch
   

   注意：确保您的编译CUDA版本和运行时CUDA版本匹配。 您可以在 PyTorch website上检查支持的CUDA版本以获取预编译的软件包。

   例1： 如果您在 /usr/local/cuda 下安装了CUDA10.1，并且想安装PyTorch 1.5, 则需要使用CUDA10.1安装预构建的PyTorch.

   conda install pytorch cudatoolkit=10.1 torchvision -c pytorch
   

   例2： 如果您在 /usr/local/cuda 下安装了CUDA9.2，并且想安装PyTorch 1.3.1, 则需要使用CUDA9.2安装预构建的PyTorch.

   conda install pytorch=1.3.1 cudatoolkit=9.2 torchvision=0.4.2 -c pytorch
   

   如果您从源代码构建PyTorch而不是安装预构建的pacakge，则可以使用更多的CUDA版本，例如9.0。

4. 安装mmcv-full, 我们建议您按如下方式安装预构建软件包。

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

   请将网址中的{cu_version} 和 {torch_version} 替换为所需的网址。 例如，要在CUDA 11和PyTorch 1.7.0中安装最新的mmcv-full，请使用以下命令：

   pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html
   

   请参阅 here 以了解与不同PyTorch和CUDA版本兼容的MMCV的不同版本。 **（可选）**您可以选择通过以下命令从源代码编译mmcv

   git clone https://github.com/open-mmlab/mmcv.git
   cd mmcv
   MMCV_WITH_OPS=1 pip install -e .  # package mmcv-full will be installed after this step
   cd ..
   

   或直接运行

   pip install mmcv-full
   

5. 克隆MMDetection存储库。

   git clone https://github.com/open-mmlab/mmdetection.git
   cd mmdetection
   

6. 安装生成要求，然后安装MMDetection。

   pip install -r requirements/build.txt
   pip install -v -e .  # or "python setup.py develop"
   

注意:

a. 按照上述说明，MMDetection将以 dev 模式安装 , 对代码进行的任何本地修改都将生效，而无需重新安装。

b. 如果要使用 opencv-python-headless 而不是 opencv -python, 你可以在安装 MMCV之前先安装它。

c. 一些依赖关系是可选的。 只需运行 pip install -v -e . 只会安装最低的运行时要求。 要使用可选的依赖项（例如，albumentations 和 imagecorruptions），要么使用pip install -r requirements/optional.txt 手动安装它们，要么在调用 pip 时指定所需的附加项（例如 pip install -v -e .[optional]）。 extras字段的有效关键字是：all, tests, build, and optional.

仅使用CPU安装

可以为仅CPU环境（CUDA不可用）构建代码。

例如，在CPU模式下，您可以运行 demo/webcam_demo.py . 但是，某些功能在此模式下消失了:

• Deformable Convolution可变性卷积
• Modulated Deformable Convolution调制变形卷积
• ROI pooling ROI池化
• Deformable ROI pooling可变性的ROI池化
• CARAFE: Content-Aware ReAssembly of FEatures
• SyncBatchNorm
• CrissCrossAttention: Criss-Cross Attention
• MaskedConv2d
• Temporal Interlace Shift
• nms_cuda
• sigmoid_focal_loss_cuda
• bbox_overlaps

因此，如果您尝试使用包含上述操作的模型进行推理，则会收到报错信息。下表列出了由于依赖这些运算符而无法推断CPU的相关方法。

Operator	Model
Deformable Convolution/Modulated Deformable Convolution	DCN、Guided Anchoring、RepPoints、CentripetalNet、VFNet、CascadeRPN、NAS-FCOS、DetectoRS
MaskedConv2d	Guided Anchoring
CARAFE	CARAFE
SyncBatchNorm	ResNeSt

注意: MMDetection 目前不支持使用CPU进行训练.

另一个选择: Docker Image

我们提供了一个 Dockerfile 来构建映像. 确保您使用的是 docker version >=19.03.

# build an image with PyTorch 1.6, CUDA 10.1
docker build -t mmdetection docker/

运行它

docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/mmdetection/data mmdetection

从零开始的安装脚本

假设您已经安装了CUDA10.1，下面是使用conda设置MMDetection的完整脚本。

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.1 -c pytorch -y

# install the latest mmcv
pip install mmcv-full==latest+torch1.6.0+cu101 -f https://download.openmmlab.com/mmcv/dist/index.html

# install mmdetection
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .

使用多个MMDetection版本进行开发

训练脚本和测试脚本已经修改了 PYTHONPATH ，以确保脚本使用当前目录中的MMDetection。

要使用安装在环境中而不是您正在使用的默认MMDetection，可以在这些脚本中删除以下行

PYTHONPATH="$(dirname $0)/..":$PYTHONPATH

确认

为了验证是否正确安装了MMDetection和所需的环境，我们可以运行示例Python代码来初始化检测器并推断出演示图像：

注意：原文中的前提是自己创建了checkpoints文件夹并下载了权重文件，我在下面的注释中说到了。

from mmdet.apis import init_detector, inference_detector

config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
# 在mmdetection下创建一个名为checkpoints的文件夹，并从模型库（model zoo）下载权重并放入`checkpoints/`中
# 本demo权重下载地址: http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
# init a detector
model = init_detector(config_file, checkpoint_file, device=device)
# inference the demo image
inference_detector(model, 'demo/demo.jpg')

上面的代码应该在您完成安装后成功运行。