ubuntu下安装mmdetection2.14记录

首先github把mmdetion包下下来，找到里面的docs文件夹下的get_started.md ;现在有中文的环境配置说明了。按里面的步骤一步一步来。
我下载安装的是mmdet2.14版本的，从github下的默认是最新版。
以下内容主要为官方安装说明文档。黄色部分是我安装时的操作，穿插在说明文档中可做参考，如果节省时间的话只看黄色部分就可以了。

依赖

• Linux 和 macOS （Windows 理论上支持）
• Python 3.6+
• PyTorch 1.3+
• CUDA 9.2+ （如果基于 PyTorch 源码安装，也能够支持 CUDA 9.0）
• GCC 5+
• MMCV

MMDetection 和 MMCV 版本兼容性如下所示，需要安装正确的 MMCV 版本以避免安装出现问题。

MMDetection 版本	MMCV 版本
master	mmcv-full>=1.3.8, <1.4.0
2.14.0	mmcv-full>=1.3.8, <1.4.0
2.13.0	mmcv-full>=1.3.3, <1.4.0
2.12.0	mmcv-full>=1.3.3, <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：**如果已经安装了 mmcv，首先需要使用 pip uninstall mmcv 卸载已安装的 mmcv，如果同时安装了 mmcv 和 mmcv-full，将会报 ModuleNotFoundError 错误。

安装流程

准备环境

1. 使用 conda 新建虚拟环境，并进入该虚拟环境；

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

这一步没啥说的输入这俩命令，创建自己的环境，然后进入环境配置即可

2. 基于 PyTorch 官网安装 PyTorch 和 torchvision，例如：

   conda install pytorch torchvision -c pytorch
   

   注意：需要确保 CUDA 的编译版本和运行版本匹配。可以在 PyTorch 官网查看预编译包所支持的 CUDA 版本。

   例 1 例如在 /usr/local/cuda 下安装了 CUDA 10.1， 并想安装 PyTorch 1.5，则需要安装支持 CUDA 10.1 的预构建 PyTorch：

   conda install pytorch cudatoolkit=10.1 torchvision -c pytorch
   

   例 2 例如在 /usr/local/cuda 下安装了 CUDA 9.2， 并想安装 PyTorch 1.3.1，则需要安装支持 CUDA 9.2 的预构建 PyTorch：

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

   如果不是安装预构建的包，而是从源码中构建 PyTorch，则可以使用更多的 CUDA 版本，例如 CUDA 9.0。

这一步我在这里安装的是pytouch1.5.1 touchvision 0.6.1
对应的安装命令为：

conda install pytouch==1.5.1 touchvision==0.6.1 -c pytorch

我的CUDA是11.0的，但是在命令里也没有体现这个信息。不知道有无影响。
若要装其他版本的pytouch上pytouch官网https://pytorch.org找到相对应版本的命令即可。
这一步安装过程比较慢需要几十十分钟，没配置镜像的同学需要先配一下镜像，不然网速很慢根本下不下来。
镜像配置方法：

vi ./.condarc

然后将里面的内容替换为：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

保存后运行命令即可。

一次没有安装成功就输入命令再试一次，这一步俺也卡了好几次。如图就是成功装上了，可以看到这几个包比较大，没有镜像的话基本就会httperror报错。

安装 MMDetection

我们建议使用 MIM 来安装 MMDetection：

pip install openmim
mim install mmdet

这里我也是按照说明依次输入上面这两个命令pip install openmim和mim install mmdet，很顺利一次就成功了


可以看到mmcv-full mmdet都成功装上了，就不用下面手都档一步一步操作了。感觉非常简便。pip list 看一下：

到这里就基本装完了下面的官方文档基本不用看了，直接看最后的测试mmdet的功能即可

MIM 能够自动地安装 OpenMMLab 的项目以及对应的依赖包。

或者，可以手动安装 MMDetection：

1. 安装 mmcv-full，我们建议使用预构建包来安装：

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

   需要把命令行中的 {cu_version} 和 {torch_version} 替换成对应的版本。例如：在 CUDA 11 和 PyTorch 1.7.0 的环境下，可以使用下面命令安装最新版本的 MMCV：

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

   请参考 MMCV 获取不同版本的 MMCV 所兼容的的不同的 PyTorch 和 CUDA 版本。同时，也可以通过以下命令行从源码编译 MMCV：

   git clone https://github.com/open-mmlab/mmcv.git
   cd mmcv
   MMCV_WITH_OPS=1 pip install -e .  # 安装好 mmcv-full
   cd ..
   

   或者，可以直接使用命令行安装：

   pip install mmcv-full
   

2. 将 MMDetection 仓库克隆至本地：

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

3. 首先安装需要的依赖包，然后安装 MMDetection：

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

   或者，可以使用更简单的命令安装 MMDetection：

   pip install mmdet
   

注意：

(1) 按照上述说明，MMDetection 安装在 dev 模式下，因此在本地对代码做的任何修改都会生效，无需重新安装；

(2) 如果希望使用 opencv-python-headless 而不是 opencv-python， 可以在安装 MMCV 之前安装；

(3) 一些安装依赖是可以选择的。例如只需要安装最低运行要求的版本，则可以使用 pip install -v -e . 命令。如果希望使用可选择的像 albumentations 和 imagecorruptions 这种依赖项，可以使用 pip install -r requirements/optional.txt 进行手动安装，或者在使用 pip 时指定所需的附加功能（例如 pip install -v -e .[optional]），支持附加功能的有效键值包括 all、tests、build 以及 optional 。

只在 CPU 安装

我们的代码能够建立在只使用 CPU 的环境（CUDA 不可用）。

在CPU模式下，可以运行 demo/webcam_demo.py 示例，然而以下功能将在 CPU 模式下不能使用：

• Deformable Convolution
• Modulated Deformable Convolution
• ROI pooling
• Deformable ROI pooling
• 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，如果尝试使用包含上述操作的模型进行推理，将会报错。下表列出了由于依赖上述算子而无法在 CPU 上运行的相关模型：

操作	模型
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。

另一种选择： Docker 镜像

我们提供了 Dockerfile 来生成镜像，请确保 docker 的版本 >= 19.03。

# 基于 PyTorch 1.6, CUDA 10.1 生成镜像
docker build -t mmdetection docker/

运行命令：

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

从零开始设置脚本

假设当前已经成功安装 CUDA 10.1，这里提供了一个完整的基于 conda 安装 MMDetection 的脚本：

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

# 安装最新版本的 mmcv
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.6.0/index.html

# 安装 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

训练和测试的脚本已经在 PYTHONPATH 中进行了修改，以确保脚本使用当前目录中的 MMDetection。

要使环境中安装默认的 MMDetection 而不是当前正在在使用的，可以删除出现在相关脚本中的代码：

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

验证

为了验证是否正确安装了 MMDetection 和所需的环境，我们可以运行示例的 Python 代码来初始化检测器并推理一个演示图像：

from mmdet.apis import init_detector, inference_detector

config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
# 从 model zoo 下载 checkpoint 并放在 `checkpoints/` 文件下
# 网址为: 
checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
# 初始化检测器
model = init_detector(config_file, checkpoint_file, device=device)
# 推理演示图像
inference_detector(model, 'demo/demo.jpg')

如果成功安装 MMDetection，则上面的代码可以完整地运行。

现在来到最后的测试验证环节，个人测试步骤参考：
打开pycharm 设置使用刚才创建的环境。
然后按上面命令来：

from mmdet.apis import init_detector, inference_detector

这一步之前要注意将你的mmdection文件设置为根目录
然后在mmdection文件下创建checkpoints文件夹，从网上下载http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth放到chechpoints文件夹中如图：

接下来只要没报错，警告不用管，依次执行命令即可：

config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
checkpoint_file ='checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
model = init_detector(config_file, checkpoint_file, device=device)
inference_detector(model, 'demo/demo.jpg')

即可看到结果：

结果的一堆数组应该是检测出的目标的数据，这里没有可视化而已。
或者在下载好了权重之后执行下面这个命令使用faster_rcnn_r50_fpn_1x_coco.py 模型进行检测，就能看到下面的图了。

python demo/image_demo.py  demo/demo.jpg configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py  checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

至此就安装成功，欢迎入坑。