Swin Transformer安装记录（国内源，飞快）

0. 设备环境

ubuntu–20.10

GPU–3080

cuda–11.0

torch–1.7.0

mmcv–1.3.8

mmdetection–2.11.0

所有的git的项目，都可以用 GitHub Proxy 代理加速 (ghproxy.com) 转链，尤其是swin transformer的权重文件，又大下载的又慢，转完链后就飞快了。

1. 创建环境

conda create -n swin python=3.7
conda activate swin

2. 安装pytorch(利用国内源)

open-mmlab/mmcv: OpenMMLab Computer Vision Foundation (github.com)

在上边的网址中看好要装那个pytorch版本，例如我是cuda11.0，就只支持pytorch1.7，所以我就去安装pytorch1.7。只需要去下边网址找到对应的把下边-c前边给替换掉就行了。

pytorch所有版本安装网址：Previous PyTorch Versions | PyTorch

conda install pytorch==1.10.0 torchvision torchaudio cudatoolkit=11.3 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/linux-64/

校验是否安装成功：

import torch
print(torch.cuda.is_available())
#cuda是否可用；
print(torch.__version__)
# 返回 torch 版本
print(torch.backends.cudnn.version())
# 返回 cudnn 版本
print(torch.version.cuda)
# 返回 cuda 版本
print(torch.cuda.device_count())
# 返回 gpu 数量；
print(torch.cuda.get_device_name(0))
# 返回 gpu 名字，设备索引默认从0开始；
print(torch.cuda.current_device())
# 返回当前设备索引
print(torch.rand(3,3).cuda())

device1 = torch.device("cuda:1")
data = torch.randn(1, 3, 224, 224)
data = data.to(device1)
model = models.vgg16()
model=model.to(device1)
res = model(data)
print(res)

3. 安装其他依赖包

用源非常快

pip install cython matplotlib opencv-python termcolor==1.1.0 yacs==0.1.8 -i  https://pypi.mirrors.ustc.edu.cn/simple

4. 安装mmcv和Swin-Transformer-Object-Detection

mmcv要安装指定版本，不要装最新版！！！【2022/4/13记载】

# 安装mmcv
pip install mmcv-full==1.3.17 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html

# 安装SwinTransformer
git clone https://github.com/SwinTransformer/Swin-Transformer-Object-Detection.git
pip install -r requirements/build.txt
python setup.py develop

5. 安装apex

下载地址：https://github.com/NVIDIA/apex

git clone https://github.com/NVIDIA/apex.git
cd apex
# pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./			# 我用这个安装报错，不过网上大部分是这个
python setup.py develop		# 用这个安装就可以

提醒Successfully installed apex-0.1就是安装成功了。

检验是否安装成功：导入不报错就成功

from apex import amp

6. 下载权重：

将要下载的权重链接复制到 GitHub Proxy 代理加速 (ghproxy.com) 中，利用新网址加速下载。

权重下载网址：https://github.com/SwinTransformer/Swin-Transformer-Object-Detection

所用demo权重：https://github.com/SwinTransformer/storage/releases/download/v1.0.2/mask_rcnn_swin_tiny_patch4_window7.pth

在Swin-Transformer-Object-Detection/目录下新建一个checkpoints，将权重文件下载到里边。

mkdir checkpoints
cd checkpoints
wget https://github.com/SwinTransformer/storage/releases/download/v1.0.2/mask_rcnn_swin_tiny_patch4_window7.pth

7. 运行demo

回到Swin-Transformer-Object-Detection/目录下

python demo/image_demo.py demo/demo.jpg configs/swin/cascade_mask_rcnn_swin_base_patch4_window7_mstrain_480-800_giou_4conv1f_adamw_3x_coco.py checkpoints/cascade_mask_rcnn_swin_base_patch4_window7.pth

8. 训练swin

单gpu训练

python tools/train.py configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_3x_coco.py  --cfg-options model.pretrained=mask_rcnn_swin_tiny_patch4_window7.pth

多gpu训练

./tools/dist_train.sh configs/LogDet/swinb_3x_bigsize_anchor_bs2x8.py 8 

./tools/dist_test.sh configs/LogDet/swinb_3x_bigsize_anchor_bs2x8.py work_dirs/LogDet/swinb_3x_bigsize_anchor_bs2x8/latest.pth 8 --format-only --options "jsonfile_prefix=work_dirs/LogDet/swinb_3x_bigsize_anchor_bs2x8"

9.可视化检测结果

可视化在测试集上生成的结果

python tools/test.py work_dirs/tood/train2/config.py work_dirs/tood/train2/best_bbox_mAP_epoch_13.pth --show-dir work_dirs/tood/train2/visiual/

测试集可视化每一类实例的mAP，得有真实标签才可以。

./tools/dist_test.sh work_dirs/swin_small_3x/train9/config.py work_dirs/swin_small_3x/train9/epoch_36.pth 4 --eval bbox --options "classwise=True"

10.生成json文件：

生成bbox和segm的json无结果，然后测试bbox mAP

python tools/test.py work_dirs/config.py work_dirs/best.pth --format-only --eval bbox --options "jsonfile_prefix=work_dirs/eva"

4GPU测试

 ./tools/dist_test.sh work_dirs/config.py work_dirs/best.pth 4 --format-only --options "jsonfile_prefix=workdir/eva"

11.绘制指标曲线

python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/swin_tiny_3x/train1/20220418_182809.logplot.json --keys bbox_mAP segm_mAP

12. 杀死僵尸程序

查看端口：然后杀死kill -9 pid号

netstat -nltp

第二种方法：

sudo fuser -v /dev/nvidia* 

查看每个显卡运行的程序后，

kill -9 COMMAND是python的程序，图中这两个别kill