win10 + GTX1660S + CUDA 11.1 + VS 2019 + py3.8+ Pytorch 1.8.1 安装 MMCV + mmdetection + mmsegmentation

当前环境版本：

• Python 3.8.6 （anaconda 虚拟环境）
• PyTorch 1.8.1
• CUDA 11.1
• VS 2019 (需要在path设置环境变量)
• MMCV 1.3.5
• mmdetection 2.13.0
• mmsegmentation 0.13.0
• git (需要用到时，通过anaconda 安装即可)
  以管理员身份打开anaconda powershell，否者有一些命令可能无法执行！！

环境搭建：

1.安装VS2019 社区版 (具体步骤跳过，记得安装c++环境)

2.安装anaconda (具体步骤跳过，傻瓜式安装即可，最好别设置系统路径，否则容易与系统python路径冲突)

3.安装cuda

下载cuda， cuda下载地址

根据自己的配置选择合适的型号

4.配置cudnn
下载cudnn，下载网址

注意：下载过程需要登陆，没有注册的话注册一个即可
将下载文件解压，将cuda文件夹里卖弄的文件夹直接覆盖到cuda安装目录下即可，一般默认路径类似于：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
5. 安装pytorch
从开始菜单以管理员打开Anaconda powershell ,首先设置虚拟环境并激活,之后安装的python软件都是通过此窗口进行：

conda create -n open-mmlab python=3.8 -y
conda activate open-mmlab

然后根据官方指导，选择自己的配置

输入命令安装：

    conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge

安装 mmcv

安装新的mmcv(1.3.5)，以下直接摘抄自官方教程：

你需要知道如何设置环境变量，接下来的过程强烈需要此技能

设置python环境

1. Prepare MMCV source code

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

2. Install required Python packages

   pip3 install -r requirements.txt
   

构建和安装 MMCV

通用步骤

3. Set up MSVC compiler

   将 C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\VC\Tools\MSVC\14.27.29110\bin\Hostx86\x64 添加到环境变量 PATH, 这样 cl.exe 可以在控制台中所有路径中被调用。

   (base) PS C:\Users\xxx> cl
   Microsoft (R) C/C++ Optimizing  Compiler Version 19.27.29111 for x64
   Copyright (C) Microsoft Corporation.   All rights reserved.
   
   usage: cl [ option... ] filename... [ / link linkoption... ]
   

   为了兼容性, 我们使用 x86架构宿主的 x64目标编译. 注意在路径中选择 Hostx86\x64 .

Option 3: Build MMCV (full version with CUDA)

4. 通过ls env:命令，确定 CUDA_PATH or CUDA_HOME 已经在 envs 中, 输出应如下:
   

   一般来说cuda安装时，路径已经被添加到系统。 如果没有, 或者有多个不同版本cuda, 需要在控制台中制定CUDA_HOME路径如下所示（根据需要使用的版本）：

   $env:CUDA_HOME = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2"
   # OR
   $env:CUDA_HOME = $env:CUDA_PATH_V10_2 # if CUDA_PATH_V10_2 is in envs:
   

5. 设置 CUDA 架构

   # Suppose you are using 1660s, which is of capability 7.5
   $env:TORCH_CUDA_ARCH_LIST="7.5"
   

根据此文章查看自己的显卡算力，我查到的是7.5，我的这个数值在官网上查不到。

6. 进行安装，步骤如下，依次输入如下指令

    $env:MMCV_WITH_OPS = 1
    $env:MAX_JOBS = 8  # based on available number of CPU cores and amount of memory
    # build
    python setup.py build_ext # if success, cl will be launched to compile ops
    # install
    python setup.py develop
    # check
    pip list

如果采用
注意: 如果使用 PyTorch 1.6.0, 可能会遇到一些错误this issue. 需要根据 this pull request 修改pytorch的安装源码.

由于我的pytorch是1.8.1的版本，并未遇到此问题。安装完成后在安装列表里可以看到mmcv-full

安装mmdetection

1.准备和安装

这里当前安装的版本为2.13.0，参考教程

由于前面安装mmcv已经将大部分组件安装完成，然后直接安装mmdetection即可：

cd ..
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

执行以上语句，很容易就安装完成了

2.验证

通过以下代码验证：

from mmdet.apis import init_detector, inference_detector, show_result_pyplot

config_file = 'configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py'
# download the checkpoint from model zoo and put it in `checkpoints/`
# url: 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
result = inference_detector(model, 'demo/demo.jpg')
# show the results
show_result_pyplot(model, 'demo/demo.jpg', result)

首先，下载预训练模型到checkpoints。运行结果如下：

注意： 在我在另一台电脑上运行此测试代码的时候出现了这个问题：

该问题是因为多重引用libiomp5md.dll，我通过everything软件查找 libiomp5md.dll的位置，将pytorch中的libiomp5md.dll删除了，然后就可以正常运行了，不知道后面是否还会出现其他问题，因此可以先将该文件备份一下。

安装mmsegmentation

此过程完全参考官方指导：

首先可以看到，我们采用的当前最新版本0.13.0，需要mmcv-full>=1.3.1， 1.4版本当前还没出。

因为在安装mmcv的时候环境都已经铺垫好了，我们可以直接进入mmsegmentation的安装。

1.mmsegmentation安装：

cd ..
git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip install -e .  # or "python setup.py develop"

2.验证

很快就安装好了，然后我们来测试一下官方指导中Verification的代码是否可以运行：
首先下载预训练模型，放在项目下的checkpoints目录下,然后执行代码：

from mmseg.apis import inference_segmentor, init_segmentor

import mmcv

config_file = 'configs/pspnet/pspnet_r50-d8_512x1024_40k_cityscapes.py'

checkpoint_file = 'checkpoints/pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth'

# build the model from a config file and a checkpoint file
model = init_segmentor(config_file, checkpoint_file, device='cuda:0')

# test a single image and show the results
img = 'demo/demo.png'  # or img = mmcv.imread(img), which will only load it once

result = inference_segmentor(model, img)

# visualize the results in a new window
model.show_result(img, result, show=True)

# or save the visualization results to image files
# you can change the opacity of the painted segmentation map in (0, 1].
model.show_result(img, result, out_file='result.jpg', opacity=0.5)