mmdetection安装测试

mmdetection安装与测试

**MMDetection 是一个基于 PyTorch 的目标检测开源工具箱。它是 OpenMMLab 项目的一部分，支持了众多主流的和最新的检测算法，例如 Faster R-CNN，Mask R-CNN，RetinaNet 等。
mmdetection网址

环境安装

mmdetection提供了详细的快速入门指南。
1.首先创建一个虚拟环境，并激活

conda create -n open-mmlab python=3.7 -y    #创建名为open-mmlab的虚拟环境，Python 3.6+
conda activate open-mmlab  #激活环境

2.安装pytorch，要确保安装对应CUDA版本的pytorch
查看CUDA版本，打开终端，输入下面命令：

>>cat /usr/local/cuda/version.txt
CUDA Version 10.1.105  #我的CUDA版本是10.1

故安装pytorch命令如下：该命令安装PyTorch =1.5

conda install pytorch cudatoolkit=10.1 torchvision -c pytorch 

3.安装mmcv-full

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html

{cu_version}/{torch_version}为对应的CUDA版本和Pytorch版本，如我的cuda=10.1,pytorch=1.5.0,命令如下：

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.5.0/index.html

4.克隆MMDetection存储库

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection

5.安装mmdetection要求的包
mmdetection将需要安装的其他工具包写进了requirements/build.txt

pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

到这里mmdetection就安装完成了，下面进行进一步的测试检验。

测试验证

在demo文件夹下提供了测试图片和视频的.py文件。
1.首先在克隆到本地的mmdetection文件下新建checkpoints文件夹，用来存放训练好的模型。
2.下载训练好的模型。本文使用faster_rcnn模型，faster_rcnn模型下载其他模型下载如，yolo、mask_rcnn等，可在官方网站上已支持的算法中找到。将下载的模型放在checkpoints文件夹下。
3.测试图片。使用demo文件夹下的image_demo.py测试图片。在mmdetection目录下打开终端，进入安装好的open-mmlab虚拟环境下,输入一下命令

conda activate open-mmlab  # 进入open-mmlab虚拟环境

python demo/image_demo.py demo/demo.jpg \
    configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    --device cpu

如需使用其他模型，需要更改对应模型的 configs/ 和checkpoints/。mmdetection官网也提供了测试video的代码。

python demo/video_demo.py demo/demo.mp4 \
    configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
    checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    --out result.mp4

到这里mmdetection环境以及安装测试完成。

4.使用标准数据集测试模型。
**在mmdetection目录下新建data目录，并将下载的PASCAL VOC数据集放在data目录下。在mmdetection目录下打开终端，进入安装的open-mmlab虚拟环境，输入一下命令。执行下面代码后在faster_rcnn_results文件夹下生成相应的测试数据文件。

python tools/test.py \
    configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py \
   checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth \
    --show-dir faster_rcnn_results