一、源码下载
GitHub - open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark
如果网络不好或者下载很慢的话可以去gitee上面下载搬运的源码。
源码下载完成后,解压到mmdetection。
解压后如下图:
二、环境搭建
2.1Anaconda(Miniconda)安装
Anaconda安装可以参考这篇博客,Miniconda安装同理,这里就不在赘述。
2.2虚拟环境创建
在mmdetection下打开Anaconda Powershell Prompt窗口,输入命令
conda create --name openmmlab python=3.8 -y
conda activate openmmlab
2.3依赖安装
2.3.1 CUDA&cuDNN安装
2.3.1.1 安装CUDA
鼠标右键,打开NVIDIA控制面板
使用下图方式查看应该驱动版本号,这里的版本号是 456.71
我们可以在 CUDA 12.2 Release Notes 查看支持的 CUDA 版本,如下图所示
这里只展示部分版本,其余版本自行查看
点击 https://developer.nvidia.com/zh-cn/cuda-toolkit 进入官网,下载对应驱动。
下载完成后,双击下载的exe文件,一直下一步即可。
安装完成后记得打开Anaconda Powershell Prompt (Miniconda3),输入env查看CUDA_PATH是否已被自动设置,如下图:
如果上图没有显示 CUDA_PATH,则使用如下命令设置(切记 cuda 的版本要正确)
$env:CUDA_HOME = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7"
# OR
$env:CUDA_HOME = $env:CUDA_PATH_V11_7 # if CUDA_PATH_V11_7 is in envs:
输入 nvcc --version 查看是否配置成功,如果成功,则为下图:
2.3.1.2 安装cuDNN
- 点击 https://developer.nvidia.com/rdp/cudnn-archive 进入官网
- 选择对应的 cuDNN 版本
- 下载完成后解压
- 将里面的文件拷贝到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7
2.3.2 安装Pytorch
这里我们安装GPU版本的pytorch,基于官网,选择对应的版本安装:
2.3.3 安装openmim、mmengine、mmdet、mmcv
pip install openmim mmengine
mim install mmdet
mim install "mmcv>=2.0.0"
2.4验证安装
- 我们需要下载配置文件和模型权重文件。
mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .
- 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
如果在当前文件夹下面新出现了一个outputs文件夹,并且里面可以看到一个新的图像demo.jpg,说明环境搭建成功。
注意:如果遇到pycocotools的报错问题,请尝试卸载pycocotools然后在使用
conda install pycocotools -c conda-forge
重新安装pycocotools