SOLO在windows 10环境下安装

1. 总体环境要求

• cuda 9.2 硬性要求，否则失败，torch1.2.0推荐cuda-10.0/10.1，cudnn-7.6.4
• torch 1.2.0, torchvision 0.4.0
• C ++ 2015及以上
• mmdetection 1.1.0
• mmcv 新的可以用（依旧推荐mmcv==2.0.16）
• SOLOV2 新的可以用
• opencv-python 新的可以用

2. 安装步骤

2.1 基础软件安装

2.1.1 安装vs2017

下载安装选择c++即可：

2.1.2 安装显卡驱动（windows系统如自带，则不必安装）

显卡驱动：nvidia显卡驱动
选择对应的版本和显卡型号：
下载驱动后，默认一直下一步即可：

2.1.3 安装cuda10

下载地址：cuda10
安装，选择自定义后，一直下一步。



安装完成后，检查环境变量中是否添加成功：

测试cuda是否能运行：
cmd中运行nvcc -V
能打印出信息则安装成功

2.1.4 安装cudnn7.6.4（以下以cudnn7.5为例）

下载cudnn需要登陆nvidia账号：
下载cudnn7.6.4：cudnn7.6.4


下载解压后，按照下面的表，把对应文件复制过去：

添加环境变量：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64

2.1.5 安装anaconda3

下载地址：anaconda

下载后，双击安装即可。

anaconda3安装注意事项参见：Mask-RCNN应用 - Win10上安装Mask-RCNN运行环境- 第二步：安装Anaconda

2.1.6 安装gitbash

用于下载github上的项目和安装pycocotools
下载地址：gitbash

2.2 基础代码库下载与编译

conda国内使用清华源加速：conda清华源
pip使用清华源：pypi清华源
一定要管理员权限运行：

2.2.1 anaconda虚拟环境建立并安装pytorch

conda create -n solo python=3.7
conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch

如果由于网络原因pytorch按照上述方法下载较慢，可通过离线安装包安装，安装包下载链接为：
链接：https://pan.baidu.com/s/19RXQdrQ9kgyV-P3mKBNAog
提取码：rb97

2.2.2 mmcv下载与调整

mmcv 新的可以用（依旧推荐mmcv==2.0.16）

git clone https://github.com/open-mmlab/mmcv
cd mmcv
pip install .
pip install Cython==0.29.14

2.2.3 mmdetection下载与调整

mmdetection 1.1.0

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements.txt
# 进行编译
python setup.py build_ext --inplace
# 完成安装
python setup.py install develop 

安装成功后查看：pip list

2.2.4 SOLO下载与调整

SOLOV2 新的可以用
注意以下第二步： pycocotool/cocoapi的安装需要注意，参考Mask-RCNN应用 - Win10上安装Mask-RCNN运行环境-第六步：基于mask rcnn的其他需要安装部分-3.pycocotools 安装

git clone https://github.com/WXinlong/SOLO.git
cd SOLO
pip install -r requirements/build.txt
pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
pip install -v -e .  # or "python setup.py develop"

3 测试

该代码在SOLO/demo文件夹中可以找到
代码中需要的checkpoints/DECOUPLED_SOLO_R50_3x.pth与config文件中的py文件相对应
checkpoints文件夹需要自己建立并下载对应模型，模型下载链接如文末

笔者在测试时发现当前代码运行有bug，需要修改源码，如需要该源码或学习指导，请用手机打开以下链接：https://m.tb.cn/h.fINaraE?tk=PCzA2jPp4V0，进行咨询

from mmdet.apis import init_detector, inference_detector, show_result_pyplot, show_result_ins
import mmcv


config_file = '../configs/solo/decoupled_solo_r50_fpn_8gpu_3x.py'
# download the checkpoint from model zoo and put it in `checkpoints/`
checkpoint_file = '../checkpoints/DECOUPLED_SOLO_R50_3x.pth'

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

# test a single image
img = 'demo.jpg'
result = inference_detector(model, img)

show_result_ins(img, result, model.CLASSES, score_thr=0.25, out_file="demo_out.jpg")

如测试没有问题，则在demo文件夹下会生成如下图所示的“demo_out.jpg”

models:

Model	Multi-scale training	Testing time / im	AP (minival)	Link
SOLO_R50_1x	No	77ms	32.9	download
SOLO_R50_3x	Yes	77ms	35.8	download
SOLO_R101_3x	Yes	86ms	37.1	download
Decoupled_SOLO_R50_1x	No	85ms	33.9	download
Decoupled_SOLO_R50_3x	Yes	85ms	36.4	download
Decoupled_SOLO_R101_3x	Yes	92ms	37.9	download
SOLOv2_R50_1x	No	54ms	34.8	download
SOLOv2_R50_3x	Yes	54ms	37.5	download
SOLOv2_R101_3x	Yes	66ms	39.1	download
SOLOv2_R101_DCN_3x	Yes	97ms	41.4	download
SOLOv2_X101_DCN_3x	Yes	169ms	42.4	download

Light-weight models:

Model	Multi-scale training	Testing time / im	AP (minival)	Link
Decoupled_SOLO_Light_R50_3x	Yes	29ms	33.0	download
Decoupled_SOLO_Light_DCN_R50_3x	Yes	36ms	35.0	download
SOLOv2_Light_448_R18_3x	Yes	19ms	29.6	download
SOLOv2_Light_448_R34_3x	Yes	20ms	32.0	download
SOLOv2_Light_448_R50_3x	Yes	24ms	33.7	download
SOLOv2_Light_512_DCN_R50_3x	Yes	34ms	36.4	download