detectron2环境搭建及训练数据

背景

最近在跑mask-rcnn，看到facebook推荐使用detectron2，所以就去配置了一下detecron2的环境，虽然二者的核心代码是差不多的，但是明显detectron2环境的配置过程比较简单，所以下面就来看看如何配置detecron2的环境吧~

配置

搭建环境之前，先来说一下我的显卡配置，毕竟不同的显卡所支持的cuda版本是不一样的，比如GTX30-系列的显卡只支持11.0以上的cuda版本。

实验室的显卡是GTX3080Ti，所以conda虚拟环境中cuda的版本我安装了11.0，pytorch的版本为1.7.1。

对虚拟环境中安装cuda不熟悉的同学，可以看之前的这篇文章conda虚拟环境中安装cuda和cudnn，再也不用头疼版本号的问题了

这里必须吐槽一下官方！！！最新的detectron2的版本官网要求pytorch的版本必须高于1.8.0，但是1.8.0运行的时候又有bug，已经被很多人提这个问题了。解决的办法主要有两个：升高pytorch的版本到1.9.0，或者降低pytorch的版本到1.7.x，这里我选择了后者。

环境搭建步骤

下载源码

可以从官方github下载之前的版本，也可以从我的网盘下载。

网盘链接：https://pan.baidu.com/s/1Z9ki_9_NX2pE0JMRZEpiUA
提取码：6666

至于为什么不可以下载最新的，因为最新的代码里要求pytorch必须是1.8.x，低版本无法进行安装，所以只能下载以前的代码，希望你看到的时候官方已经解决这个问题了。

创建虚拟环境

conda create -n detectron python=3.7

安装torch，torchvision，cudatoolkit

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0

• 注意我的版本号，你可以按照你的cuda版本去官网查询对应的版本号
• 在安装torch包之前，首先要根据上面提到的那篇文章在虚拟环境中安装cuda

编译detectron2源码

cd到源码所在的文件夹，执行如下命令开始编译detectron2源码

python setup.py build develop

注意：编译完后项目中会多出来一个build文件夹，后期如果改变了pytorch版本，需要先使用命令rm -rf build/ **/*.so删掉build文件夹，再重新编译一下才可以使用！！！

测试demo

源文件中有一个demo文件，可以用来测试。

cd到demo文件夹中，放入一张自己的图片，输入如下命令测试效果。

参数中1.jpg是我随便从网上找的，你可以随便找并放入demo文件夹中，如图：

python demo.py --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input 1.jpg --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl