Linux环境配置mmlab环境

Scenery0519

已于 2023-03-20 13:12:08 修改

阅读量2.6k

点赞数 1

分类专栏： mmlab 文章标签： linux pytorch python 深度学习人工智能

于 2023-03-17 17:12:27 首次发布

本文链接：https://blog.csdn.net/Scenery0519/article/details/129595886

版权

该文提供了安装MMCV的详细步骤，包括创建mmlabconda环境，安装pytorch1.12.1，使用mim工具安装mmcv-full，如果需要，从源码编译MMCV，并提供了验证安装是否成功的脚本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考链接
https://mmcv.readthedocs.io/zh_CN/latest/get_started/build.html
https://github.com/open-mmlab/mmsegmentation/blob/v0.13.0/docs/get_started.md#installation

安装的各项版本如下所示：
在这里插入图片描述

文章目录

一、建立 mmlab conda 环境

1、新建一个conda环境

conda create -n mmlab python=3.7

2、激活环境

conda activate mmlab

二、安装 pytorch

pytorch官网

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Scenery0519

关注关注

1
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【AI】MMLab环境搭建

zhoulizhu的博客

11-27

567

这里cu121代表cuda版本是12.1版本，torch2.1.0代表是torch2.1版本，可能因为版本更新问题导致找不到你需要的版本，可以使用相近的版本来进行替换。网页会显示上面的内容，选择自己cp代表python版本，win代表windows环境 linux代表Linux环境，按照自己的环境标准选择即可。现在完成之后，在conda promot中cd到下载路径，确认当前的虚拟环境就是自己想要安装的环境，然后执行命令。中介绍，可以先创建3.8版本conda环境。如果是cpu环境可以使用下面的命令。

Linux系统 mmsegmentation环境配置

gui_lin_ger_的博客

09-27

1132

由于mmseg做过较大的版本改动，直接按照官网的教程可能出现版本不适配的问题~这篇就是记录我自己在官网教程的基础上，改变每一步的具体版本，以防出现版本不适配的问题。首先要明确，CUDA版本、pytorch版本和numpy版本不同都有可能与mmcv版本不适配，导致环境配置出现冲突，所以都需要注意。我的版本信息：CUDA11.3、pytorch1.12.0、python3.9、numpy1.23我租用的服务器信息：即使你目前的版本和我的不同，也可以参考我的步骤。

参与评论您还未登录，请先登录后发表或查看评论

安装mmcv

qq_53682472的博客

04-30

256

同理一些其他的库也可以来安装。如果conda或者pip不行。

mmcv-full==报错

最新发布

wzh18___的博客

03-12

548

结尾）安装，则有可能是我们没有提供和当前环境的 PyTorch 版本、CUDA 版本相匹配的 mmcv-full 预编译包，此时，你可以源码安装。（这个就是官方的原话）就是如果你发现安装的时候下载的文件是.tar.gz结尾，你就要去下载源码。因为我需要的是1.x版本的，所以就介绍这个的，2.x的方法也差不多。然后根据需要版本安装（我这里就是1.7.0）主要是参照官方的内容，下面这个网址。源码的下载链接就是下面这个。上面这个2.x版本的链接。这个是1.x版本的链接。特地来写一个帮助大家。

liunx安装open-mmlab教程

weixin_45912366的博客

04-10

2991

01.根据需求选择安装，安装mmdetection过程阅读README.MD和requirements.txt文件。 02.在README.MD中找到下边界面，点击红色框查看安装步骤。 03.虚拟环境创建一个conda虚拟环境 conda create -n mmdetectionpython=3.8 04.进入创建的虚拟环境 conda activate mmdetection 05.查看服务器或者电脑安装的CUDA版本因为需要安装对应的Pyroych版本才可.

【超详细】MMLab分类任务mmclassification：环境配置说明、训练、预测及模型结果可视化展示

阿旭的博客

03-18

4785

【超详细】MMLab分类任务mmclassification：环境配置说明、训练、预测及模型结果可视化展示

mmlab图像处理第二课- 通用视觉框架OpenMMLab图像分类与基础视觉模型

insid1out的博客

02-03

367

第一个成功实现大规模图像的模型，在 ImageNet 数据集上达到 ~85% 的 top-5 准确率 • 5 个卷积层，3 个全连接层，共有 60M 个可学习参数 • 使用 ReLU 激活函数，大幅提高收敛速度 • 实现并开源了 cuda-convnet ，在 GPU 上训练大规模神经网络在工程上成为可能；网络层数：11、13、16、19 层 • 3×3 卷积配合 1 像素的边界填充，维持空间分辨率 • 每隔几层倍增通道数、减半分辨率，生成 1/2、1/4 尺度的更高抽象层级的特征。

mmdetection安装与测试（Windows环境）

m0_62618292的博客

01-18

6057

关于Windows系统安装mmdetection的总结

Swin-Transformer 环境配置

treesbook的专栏

01-22

545

确认安装结果：打开 Anaconda PowerShell Prompt，输入命令 cl，显示C/C++编译器信息。cu121：GPU 方式（需对应 GPU 的 CUDA 版本）1.6 安装 Swin-Transformer-Object-Detection。1.3 安装 mmcv（安装较低版本，安装最新版本报错）1.3.1 安装VS（mmcv 必要条件）mmcv-full：安装完整版本。1.3.2 安装mmcv（源码方式）1.3.3 安装mmcv（直接安装）cpu：CPU 方式。

频域上的知识蒸馏论文，对论文复现的环境配置，及mmrazor运行命令

05-11

### 频域上的知识蒸馏论文：FreeKD复现步骤与环境配置 #### 一、概述在深度学习领域，知识蒸馏是一种常见的模型压缩技术，它通过将大型教师模型的知识“传授”给较小的学生模型来提升后者的性能。FreeKD（Freely ...

深度学习GPU的环境太乱？从头配置环境：理解+实操

weixin_44067447的博客

02-01

1504

从CUDA到torch，再到mmsegmentation, mmdetection。理解+实操配置深度学习环境

记录安装mmsegmentation环境遇到的问题

lucky0326的博客

09-13

361

(官方文档) mim download mmsegmentation --config pspnet_r50-d8_512x1024_40k_cityscapes --dest .解决方法：选择合适的版本（在官方文档），获得指令，下载mim install mmcv。2、mim install mmcv-full运行报错。重新运行一次，就没有问题了。运行验证指令，就可以。version前后的下划线是两个。

【新版mmpose1.0安装教程】

Ezrealok的博客

05-26

1269

mmpose的github官网已经介绍的比较彻底，今天就用文字加图片的形式再给大家介绍一下

MMPose和MMDetection安装指南

weixin_38655947的博客

06-02

396

B站视频链接Colab ipynb链接。

安装mim

m0_73406727的博客

06-12

284

pip install openmim

安装各种库遇到的问题

m0_57285942的博客

07-20

884

安装包

Linux安装MMSelfSup

m0_57143158的博客

09-18

337

4、安装mmselfsup，得开vpn进行克隆项目。注意最后一条语句有个 . 点。3、使用 MIM安装 MMEngine 和 MMCV。2、安装Pytorch。5、测试mmselfsup是否安装成功。1、创建虚拟环境并激活。

mmcv安装问题

zww20000201的博客

03-09

1609

ERROR: Cannot install mmcv-full==1.7.0 and mmcv-full==1.7.1 because these package versions have conflicting dependencies.错误

安装mmcv-full-1.x.x和mmdet教程及其间所遇问题

qq_59409332的博客

09-25

9554

mmcv>=2.0.0的版本不再区分mmcv与mmcv-full包名=2.0mmcv-full包含CUDA算子无mmcv不包含CUDA算子包含CUDA算子mmcv-lite无不包含CUDA算子需要注意的是，mmcv-full只能在pytorch的1.x.0版本上进行编译，所以再确定需要版本为1.x.x时，要查看自己的pytorch版本，若不符合需要重新创建新环境。尤其注意CUDA版本。

segformer环境配置

01-23

### SegFormer 环境配置教程 #### 创建虚拟环境并激活为了确保项目的依赖项不会影响其他Python项目，推荐创建独立的虚拟环境。通过以下命令可以完成这一操作： ```bash python -m venv segformer-env source segformer-env/bin/activate # Linux 或 macOS 用户 # 对于 Windows 用户应使用下面这条指令来启动虚拟环境 segformer-env\Scripts\activate ``` 这一步骤有助于保持开发环境整洁有序，并减少不同库版本冲突的可能性[^1]。 #### 安装必要的软件包一旦虚拟环境被成功激活之后，下一步就是安装所需的Python库和其他工具。通常情况下，可以通过`requirements.txt`文件来进行批量安装，也可以手动执行pip install语句逐一添加所需模块。具体做法如下所示： ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/index.html pip install git+https://github.com/open-mmlab/mmsegmentation.git@main ``` 上述命令会下载PyTorch框架及其扩展组件、MMCV以及MMSegmentation库——这些都是运行SegFormer所必需的核心要素之一。 #### 设置GPU可见性和分配策略如果计划利用多张显卡加速计算过程，则需提前设定好哪些设备可供程序访问。可通过修改环境变量的方式实现这一点，在Python脚本内部可采用如下方式定义可用的GPU列表： ```python import os os.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2' ``` 此段代码使得只有编号为0、1和2三块图形处理器能够参与后续的任务处理工作；当然，实际应用时可根据个人情况调整具体的ID数值[^2]。 #### 修改配置参数与路径最后要做的准备工作便是编辑实验配置文件中的某些选项，比如指定数据集位置、保存结果的位置等重要信息。对于给定的例子而言，应当关注以下几个方面： - **配置文件路径**: `/data1/timer/Segmentation/SegFormer/local_configs/segformer/B5/segformer.b5.640x640.ade.160k.py` - **日志及模型存储目录**: `res_MFNet` 另外还需注意的是关于GPU ID的选择，默认值设定了仅使用第零号GPU (`default=[0]`) ，但可以根据实际情况更改成其他的整数数组形式以适应不同的硬件条件[^3]。