Centos7之Detectron2的环境配置

Detectron2为Facebook基于Detectron重构的目标检测和分割等视觉任务的代码库，代码链接进入

笔者最近基于MMDetection的代码没有取得一个好的结果，打算再看一下Detectron2结果如何。以下是笔者的配置：
GPU R2070S
Centos7
cpu i5
需要先安装Anaconda3

简要介绍下配置流程：

1 创建detectron2的虚拟环境（尽量配置清华源可参照可以加速我们的安装）

conda create -n detectron2 python=3.7

2 进入虚拟环境

conda activate detectron2

3 安装Pytroch（尽量配置清华源参照，不然很慢！！！）

conda install cudatoolkit=10.1 # 我的 cuda版本为10.1.243(最新的10.1驱动) 所以用10.1，如果是具体的10.1.105等，需要指明版本，这个是个cuda的工具包，安装后，我们在安装torch 和 torchvision，网速可以的话，很快，前提是配置了清华源
conda install pytorch torchvision # 默认安装的最新版的torch 以及与其相配的torchvision 我这里时 1.5 满足该项目的torch要求

4 配置COCOAPICentos7安装方法 // Windows10安装方法
5 下载源码（clone or download 下载）git下载有时候比较慢，所以推荐直接下载压缩包，解压就行

解压下载的 zip文件，unzip Detectron2-mater.zip
6 编译
cd detectron2-mater
pip install -e .
会安装很多包，等一会儿即可

【注意】在官网Install.md有这样一个表格，其实他是下载已经编译过的文件，和以上的 pip install -e .一致，其实不推荐使用，因为下面有标注说他可能不适配一些新的项目，这个需要注意！尽量用源码安装

7.测试
以上步骤安装完成后，到底该项目能不能用呢？这就需要我们进行测试，如果测试过程中没有问题，一般训练自己的数据集也不会有问题，我的下篇就是讲如何训练自己的数据集。

【注】以下图为例，这个图是我从一位博主处拷来测试的

将以上图片保存于demo文件夹下，然后运行测试指令：

python demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \
  --input input1.jpg --output . \
  [--other-options]
  --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

这个是官方的测试指令，加了个output .这个主要是为了让经过推断的图像输出在根目录下，input1.jpg 为我们自定义的图像名称，这个指令运行时，会先从模型保存网站上加mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl 这个模型，然后会进行测试，如果没有MODEL.WEIGHTS那个变量，系统也会下载一个模型，但是那个模型为空模型，测试时，源图像会照本输出，所以尽量下载mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl 这个模型，然后我们运行后，下载完模型后，很快看到下图：

这就测试成功了，可以使用该框架训练自己的数据了，但是训练自己的数据集，该模型有些须讲究，请看我下篇文章！谢谢大家！