目录
这篇文章是学习使用mmyolo的第一篇文章,后面会有后续哦
Pytorch环境安装
假设你已经提前安装好了 Conda,接下来安装 PyTorch
conda create -n mmyolo python=3.8 -y
conda activate mmyolo
# 如果你有 GPU
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118
检验是否安装成功
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
2.0.1+cu118
True
安装 MMYOLO 和依赖库
git clone https://github.com/open-mmlab/mmyolo.git cd mmyolo pip install -U openmim mim install -r requirements/mminstall.txt # Install albumentations mim install -r requirements/albu.txt # Install MMYOLO mim install -v -e . # "-v" 指详细说明,或更多的输出 # "-e" 表示在可编辑模式下安装项目,因此对代码所做的任何本地修改都会生效,从而无需重新安装。Successfully installed mmyolo-0.6.0 prettytable-3.9.0 wcwidth-0.2.13
验证安装
为了验证 MMYOLO 是否安装正确,我们提供了一些示例代码来执行模型推理。
步骤 1. 我们需要下载配置文件和模型权重文件。
mim download mmyolo --config yolov5_s-v61_syncbn_fast_8xb16-300e_coco --dest .
下载将需要几秒钟或更长时间,这取决于你的网络环境。完成后,你会在当前文件夹中发现两个文件 yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py
和 yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth
。
步骤 2. 推理验证
方案 1. 如果你通过源码安装的 MMYOLO,那么直接运行以下命令进行验证:
python demo/image_demo.py demo/demo.jpg yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth # 可选参数 # --out-dir ./output *检测结果输出到指定目录下,默认为./output, 当--show参数存在时,不保存检测结果 # --device cuda:0 *使用的计算资源,包括cuda, cpu等,默认为cuda:0 # --show *使用该参数表示在屏幕上显示检测结果,默认为False # --score-thr 0.3 *置信度阈值,默认为0.3
运行结束后,在 output
文件夹中可以看到检测结果图像,图像中包含有网络预测的检测框。