新手及无显卡苦逼人士——MMDetection学习(踩坑)笔记（一）

Szu_Loosen

已于 2023-06-25 02:23:54 修改

阅读量724

点赞数 2

分类专栏：进击的Loosen 文章标签：学习笔记服务器机器学习目标检测

于 2023-06-25 02:23:30 首次发布

本文链接：https://blog.csdn.net/qq_27717389/article/details/131368785

版权

进击的Loosen 专栏收录该内容

2 篇文章 2 订阅

订阅专栏

文章目录

前言
一、选择服务器(有显卡的同志可以略过)
二、环境安装及测试——跟着官方文档走(三四天痛苦挣扎得到的血与泪的教训)
总结

前言

老师近日给了我一个关于mmdetection的学习任务，我之前接触过YOLOV5，但研究不算深入，简单的跑了下代码。这次mmdetection学习的任务如下：
目标：在VEDAI数据库上进行车辆检测实验，并生成报告书。
数据集：https://downloads.greyc.fr/vedai/
实验要求：
1）实验在mmdetection框架下进行
2）调用框架中的8-10个baseline，且其中至少有2个是可以检测旋转角度的（这一步完成了可以先和我确认下选择哪几个模型）
3）设置不同的数据增强方式

于是我便抱着学习和研究的心态开始了mmdetection的学习（折磨）之旅。

一、选择服务器(有显卡的同志可以略过)

首先，我自己的电脑配置比较垃圾，是联想小新Air15，没有独显，因此只能靠连接外部服务器来测试代码。我选择的服务器是阿里云GPU服务器，这是我老师推荐的，然后选了穷鬼套餐(可以自由选择配置，看各位财力了，系统推荐选ubuntu18.04)：
服务器选购
没办法，电脑垃圾又暂时没钱更换，只能靠一小时2块钱左右的服务器才能维持得了科研学习这样子，话又说回来这种方式还是能一定程度上遏制我的偷懒行为的，毕竟服务器开着就在烧钱啊o(╥﹏╥)o

至于终端工具我选择了Finalshell(有了这玩意就可以在服务器上进行操作了)，它免费好用，功能强大，当然也偶尔有点小毛病，总之瑕不掩瑜。

FinalShell是一款国人开发的SSH客户端工具，多平台支持Windows,Mac OS
X,Linux。主要用于一体化服务器管理，软件支持shell和sftp同屏显示，并同步切换目录，不止如此，而且软件带有命令自动提示，让您的命令输入更加简单、便捷，另外，软件带有加速的功能，可以提高访问服务器的速度。

至于怎么连接GPU服务器可以看这篇教程，讲的很清楚，要确认购买的是GPU服务器，别用阿里云给的免费ECS云服务器(我刚开始没搞清楚，在这个没显卡的服务器上折腾了一整天，直接白忙活，人都麻了)

二、环境安装及测试——跟着官方文档走(三四天痛苦挣扎得到的血与泪的教训)

家人们谁懂啊，我这个愣头青一边在官网下载了最新版的mmdetection，一边看着旧版本的教程安装环境，结果可想而知——连续好几天电脑里红红的报错，屏幕前冷冷的心。经历过的报错大部分都是由于pytorch和mmdet以及mmengine和mmcv之间版本不兼容引起的，经过不断的搜索和试探，我才发现官方文档是唯一真神，跟着官方文档走就不会遇到报错了，最后成功跑了测试代码：
请添加图片描述

官方文档主要步骤(有所简略)：

步骤 0. 从官方网站下载并安装 Miniconda。
步骤 1. 创建并激活一个 conda 环境。

conda create --name openmmlab python=3.8 -y
conda activate openmmlab

步骤 2. 基于 PyTorch 官方说明安装 PyTorch。

在 GPU 平台上：

conda install pytorch torchvision -c pytorch

在 CPU 平台上：

conda install pytorch torchvision cpuonly -c pytorch

步骤 3. 使用 MIM 安装 MMEngine 和 MMCV。

pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"

**注意：** 在 MMCV-v2.x 中，mmcv-full 改名为 mmcv，如果你想安装不包含 CUDA 算子精简版，可以通过 mim install "mmcv-lite>=2.0.0rc1" 来安装。

步骤 4. 安装 MMDetection。

方案 a：如果你开发并直接运行 mmdet，从源码安装它(我是采用这个方案，当然用git下载可能速度较慢，于是我在Github官网上下载了这个包然后解压到工作目录)：

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

方案 b：如果你将 mmdet 作为依赖或第三方 Python 包，使用 MIM 安装：

mim install mmdet

然后开始验证安装

步骤 5. 下载配置文件和模型权重文件。

mim download mmdet --config rtmdet_tiny_8xb32-300e_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 rtmdet_tiny_8xb32-300e_coco.py 和 rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth。

步骤 6. 推理验证。

方案 a：如果你通过源码安装的 MMDetection，那么直接运行以下命令进行验证(我采用这个方案，成功运行)：

python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu

你会在当前文件夹中的 outputs/vis 文件夹中看到一个新的图像 demo.jpg，图像中包含有网络预测的检测框。

方案 b：如果你通过 MIM 安装的 MMDetection，那么可以打开你的 Python 解析器，复制并粘贴以下代码：

from mmdet.apis import init_detector, inference_detector

config_file = 'rtmdet_tiny_8xb32-300e_coco.py'
checkpoint_file = 'rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth'
model = init_detector(config_file, checkpoint_file, device='cpu')  # or device='cuda:0'
inference_detector(model, 'demo/demo.jpg')

你将会看到一个包含 DetDataSample 的列表，预测结果在 pred_instance 里，包含有检测框，类别和得分。

以上即是官方文档的安装和测试步骤，如果大家在之前看着别的教程操作然后遇到了一系列报错，我非常推荐各位直接看着官方文档重建一个环境进行安装和测试，往往来得更快(我大概只用了一个多小时就装成功了)。

总结

总结倒是没什么好总结的，前期看网上的旧版教程被各种报错搞的人都麻掉了，最后顺着官方文档的安装和测试步骤来操作才成功运行代码。其中很多问题都是由于pytorch、mmdet、mmengine、mmcv与python的版本兼容引起的，只能说，mmdetection真的挺难用的，之前跑YOLO要顺利蛮多的，接下来要开始