MMDetection3.0环境配置(ubuntu20.04 + miniconda)

MMDetection3.0环境配置

配置环境试用SOLO之后，总感觉和Mask R-CNN比还差点意思，不论是精度还是速度，好像都没有作者说的那么强😮，不清楚是不是自建数据集的限制，或者因为没有调参影响了学习效果

有兴趣的可以看原文配置训练试试
实例分割SOLO & SOLOv2环境配置(ubuntu20.04 + miniconda)
实例分割SOLO & SOLOv2训练自建数据集(ubuntu20.04 + miniconda)

俗话说：没有对比就没有伤害。俗话还说：没有实践就没有发言权
既然觉得有问题，那就要控制变量做对比试验🤔，发现MMDetection框架里有很多可以直接使用的实例分割网络，根据官方提示开整🧐

MMDetection开源框架地址：https://github.com/open-mmlab/mmdetection

配置环境

ubuntu20.04 + miniconda + Pycharm
Python 3.7 以上，CUDA 9.2 以上和 PyTorch 1.6 以上

新建Python环境

conda create -n xopenmm python=3.8

进入虚拟环境

conda activate xopenmm

如果环境崩了，删除指定环境

conda remove -n xopenmm --all

参考安装步骤

快速入门文档
https://mmdetection.readthedocs.io/zh_CN/latest/get_started.html

安装pytorch，torchvision(离线版本)

离线版本下载网站：https://download.pytorch.org/whl/torch_stable.html

下载的文件分别是 cu102/torch-1.6.0-cp38-cp38-linux_x86_64.whl 和 cu102/torchvision-0.7.0-cp38-cp38-linux_x86_64.whl

在离线文件目录下进入终端，在虚拟环境中按顺序安装离线文件

pip install torch-1.6.0-cp38-cp38-linux_x86_64.whl
pip install torchvision-0.7.0-cp38-cp38-linux_x86_64.whl -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

安装依赖

使用 MIM 安装 MMEngine 和 MMCV

pip install -U openmim -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
mim install mmengine -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
mim install "mmcv>=2.0.0" -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

安装 MMDetection

从源码安装mmdet：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e . -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
# "-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。

验证安装

为了验证 MMDetection 是否安装正确，官方提供了一些示例代码来执行模型推理

下载配置文件和模型权重文件

mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .

下载完成后，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

运行以下命令进行推理验证

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
# device cuda:0

运行成功后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