open-mmlab之mmdetection3d

已于 2022-09-11 16:01:00 修改
阅读量1.2k 收藏 24
点赞数 8
分类专栏： mmdetection3d 点云分割 点云检测 文章标签： docker 目标检测 深度学习
于 2022-09-05 12:12:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_34961608/article/details/126503055
版权

一、环境安装

使用dockerfile文件构建docker镜像mmdet3d。

1、原dockerfile安装

docker build -t mmdet3d -f docker/Dockerfile .

注：

  1. 编译过程中若执行 RUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/3bf863cc.pub 遇见gpg failed,no public key问题，可能网络原因，多试几次。

  2. 若apt-get install xxx failed to fetch archive.ubuntu and security.ubuntu问题，替换源：
    RUN sed -i 's#http://archive.ubuntu.com/#http://mirrors.tuna.tsinghua.edu.cn/#' /etc/apt/sources.list;

  3. 替换pip源：
    RUN pip install -i http://mirrors.aliyun.com/pypi/simple -U pip \ && pip config set global.index-url http://mirrors.aliyun.com/pypi/simple \ && pip config set install.trusted-host mirrors.aliyun.com

创建容器：

docker run --runtime=nvidia -v /home/data:/data -it -p 8888:22 --name mmlab mmdet3d:latest

至此 mmdetection3d环境创建成功。但是导入mmseg包时，报如下错误：
在这里插入图片描述
根据报错定位到/opt/conda/lib/python3.7/site-packages/mmseg/init.py文件，修改L10：MMCV_MAX = '1.6.0'

训练环境：
在这里插入图片描述
docker镜像现有问题：

  1. 无法在线可视化，追查原因，发现环境中未安装requirement/optional.txt中spconv、open3d、waymo-open-dataset-tf-2-1-0等包。
  2. 训练过程中，出现cuda error：在这里插入图片描述
    表示本机显卡gpu算力与docker环境的cuda版本不匹配。gpu算力高（RTX3060算力8.6），cuda版本低（cuda10.1)。

2、修改dockerfile

基于以上问题，修改dockerfile部分内容：

ARG PYTORCH="1.8.0"
ARG CUDA="11.1" 
ARG CUDNN="8"
# 增加install requirement/optional.txt
RUN pip install --use-feature=2020-resolver -r requirements/optional.txt

注意：因镜像python版本为3.8，而可选包 waymo-open-dataset-tf-2-1-0仅支持python3.5、3.6、3.7，故没安装此数据包。
pip 追加参数--use-feature=2020-resolver 解决pip安装版本的依赖问题，ERROR: After October 2020 you may experience errors when installing or updating packages. This is because pip will change the way that it resolves dependency conflicts.

同时为了在使用容器时解决mmcv和mmseg冲突，安装mmcv==1.5.0，但是导入报如下错误：
在这里插入图片描述
于是仍使用原始版本号，在容器中手动修改/opt/conda/lib/python3.7/site-packages/mmseg/init.py文件L10为：MMCV_MAX = '1.6.0'。

docker中open3d可视化问题：
在这里插入图片描述
因 open3d显示要求在本地IDE上面，而笔者是在docker环境跑，故open3d没有能力显示。参考docker–open3d文档 解决GLFW Error。在终端执行以下命令，重新创建容器：

# Allow local X11 connections
xhost local:root
# Run Open3D viewer docker image with the NVIDIA GPU
docker run --runtime=nvidia -v /tmp/.X11-unix:/tmp/.X11-unix -e DISPLAY \
    -v 宿主机数据:/data -v 宿主机代码:/code mmdet3d:latest

随后出现问题libGL error：
在这里插入图片描述
安装libnvidia-gl(其版本与驱动版本号有关）解决该问题：

sudo apt install libnvidia-gl-470
# 470 为nvidia版本驱动号

随后，重新设置x11连接。创建容器，增加参数：

-v /tmp/.X11-unix:/tmp/.X11-unix \
-e DISPLAY -e XAUTHORITY -e NVIDIA_DRIVER_CAPABILITIES=all \

以上即为如何在 Docker 容器中运行 GUI 应用程序。这里使用带有 X11 转发的 SSH 。核心部分为：-v /tmp/.X11-unix:/tmp/.X11-unix -e DISPLAY。

3、测试pcd_demo，并在线可视化验证环境是否可用

python demo/pcd_demo.py /data/kitti/kitti_000008.bin configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-car.py pretrained/hv_pointpillars_kitti-3d-car.pth --show

在这里插入图片描述
至此，mmdetection3d推理环境基于dockerfile搭建成功。

4、docker 使用GPU、X11转发显示图形界面

参考docker-gpu文档，安装nvidia-containers-runtime。
参考docker–open3d文档设置X11转发显示图形界面。

-e 参数，主要传递环境变量。如：
-e DISPLAY ： 将 DISPLAY 环境变量从主机传递到容器中，告诉 GUI 程序将其输出发送到哪里。
-e XAUTHORITY ：传递XAUTHORITY变量. .Xauthority 文件确保xclient与xserver之间的通信权限安全，从而支持linux vda使用X11显示功能进行交互式远程。
-e NVIDIA_DRIVER_CAPABILITIES=all ：设置容器中允许使用显卡的某些能力。这里启用所有可用的驱动程序功能。如，宿主机的英伟达驱动在容器内作为utility存在，对容器提供计算支持（即cuda支持）等。具体有：
在这里插入图片描述

二、训练train

直接使用SA-SSD项目生成的KITTI数据集，train（其中需修改数据集关键字key) 单目标car类pointpillars 模型:

python tools/train.py configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-car.py

1、报错dataloader worker keyerror :

在这里插入图片描述
==> 粗暴式修改configs文件夹目录下对应数据文件中线程数为0：
在这里插入图片描述

  • 探索dataloader worker keyerror 其他解决方法？

2、tensorboard 显示

训练日志：学习率、loss变化

tensorboard --logdir work_dirs/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class

在这里插入图片描述
亦可通过安装profiler，在vscode编辑器中可视化训练日志。该工具也可可视化 GPU 和 CPU 之间的工作负载分布。

pip install -U torch-tb-profiler

What’s New in PyTorch Profiler 1.9？

3、训练策略

- 学习率
  余弦优化器.
- 动量
- loss
在这里插入图片描述

三、评估测试test

1、gt_annos & predict

每份点云数据真实信息：其中dimensions格式为(l, h, w)。标注文件label中dimensions格式为hwl。
在这里插入图片描述
每份点云数据预测信息为：由bbox2result_kitti转为kitti格式。
在这里插入图片描述

2、评估

调用kitti_eval函数：

def kitti_eval(gt_annos,
               dt_annos,
               current_classes,
               eval_types=['bbox', 'bev', '3d']):
    """KITTI evaluation.

    Args:
        gt_annos (list[dict]): Contain gt information of each sample.
        dt_annos (list[dict]): Contain detected information of each sample.
        current_classes (list[str]): Classes to evaluation.
        eval_types (list[str], optional): Types to eval.
            Defaults to ['bbox', 'bev', '3d'].

    Returns:
        tuple: String and dict of evaluation results.
    """
    assert len(eval_types) > 0, 'must contain at least one evaluation type'
    if 'aos' in eval_types:
        assert 'bbox' in eval_types, 'must evaluate bbox when evaluating aos'
    overlap_0_7 = np.array([[0.7, 0.5, 0.5, 0.7,
                             0.5], [0.7, 0.5, 0.5, 0.7, 0.5],
                            [0.7, 0.5, 0.5, 0.7, 0.5]])
    overlap_0_5 = np.array([[0.7, 0.5, 0.5, 0.7, 0.5],
                            [0.5, 0.25, 0.25, 0.5, 0.25],
                            [0.5, 0.25, 0.25, 0.5, 0.25]])
    min_overlaps = np.stack([overlap_0_7, overlap_0_5], axis=0)  # [2, 3, 5]
    class_to_name = {
        0: 'Car',
        1: 'Pedestrian',
        2: 'Cyclist',
        3: 'Van',
        4: 'Person_sitting',
    }
    name_to_class = {v: n for n, v in class_to_name.items()}
    if not isinstance(current_classes, (list, tuple)):
        current_classes = [current_classes]
    current_classes_int = []
    for curcls in current_classes:
        if isinstance(curcls, str):
            current_classes_int.append(name_to_class[curcls])
        else:
            current_classes_int.append(curcls)
    current_classes = current_classes_int
    min_overlaps = min_overlaps[:, :, current_classes]
    result = ''
    # check whether alpha is valid
    compute_aos = False
    pred_alpha = False
    valid_alpha_gt = False
    for anno in dt_annos:
        mask = (anno['alpha'] != -10)
        if anno['alpha'][mask].shape[0] != 0:
            pred_alpha = True
            break
    for anno in gt_annos:
        if anno['alpha'][0] != -10:
            valid_alpha_gt = True
            break
    compute_aos = (pred_alpha and valid_alpha_gt)
    if compute_aos:
        eval_types.append('aos')

    mAP11_bbox, mAP11_bev, mAP11_3d, mAP11_aos, mAP40_bbox, mAP40_bev, \
        mAP40_3d, mAP40_aos = do_eval(gt_annos, dt_annos,
                                      current_classes, min_overlaps,
                                      eval_types)

    ret_dict = {}
    difficulty = ['easy', 'moderate', 'hard']

    # calculate AP11
    result += '\n----------- AP11 Results ------------\n\n'
    for j, curcls in enumerate(current_classes):
        # mAP threshold array: [num_minoverlap, metric, class]
        # mAP result: [num_class, num_diff, num_minoverlap]
        curcls_name = class_to_name[curcls]
        for i in range(min_overlaps.shape[0]):
            # prepare results for print
            result += ('{} AP11@{:.2f}, {:.2f}, {:.2f}:\n'.format(
                curcls_name, *min_overlaps[i, :, j]))
            if mAP11_bbox is not None:
                result += 'bbox AP11:{:.4f}, {:.4f}, {:.4f}\n'.format(
                    *mAP11_bbox[j, :, i])
            if mAP11_bev is not None:
                result += 'bev  AP11:{:.4f}, {:.4f}, {:.4f}\n'.format(
                    *mAP11_bev[j, :, i])
            if mAP11_3d is not None:
                result += '3d   AP11:{:.4f}, {:.4f}, {:.4f}\n'.format(
                    *mAP11_3d[j, :, i])
            if compute_aos:
                result += 'aos  AP11:{:.2f}, {:.2f}, {:.2f}\n'.format(
                    *mAP11_aos[j, :, i])

            # prepare results for logger
            for idx in range(3):
                if i == 0:
                    postfix = f'{difficulty[idx]}_strict'
                else:
                    postfix = f'{difficulty[idx]}_loose'
                prefix = f'KITTI/{curcls_name}'
                if mAP11_3d is not None:
                    ret_dict[f'{prefix}_3D_AP11_{postfix}'] =\
                        mAP11_3d[j, idx, i]
                if mAP11_bev is not None:
                    ret_dict[f'{prefix}_BEV_AP11_{postfix}'] =\
                        mAP11_bev[j, idx, i]
                if mAP11_bbox is not None:
                    ret_dict[f'{prefix}_2D_AP11_{postfix}'] =\
                        mAP11_bbox[j, idx, i]

    # calculate mAP11 over all classes if there are multiple classes
    if len(current_classes) > 1:
        # prepare results for print
        result += ('\nOverall AP11@{}, {}, {}:\n'.format(*difficulty))
        if mAP11_bbox is not None:
            mAP11_bbox = mAP11_bbox.mean(axis=0)
            result += 'bbox AP11:{:.4f}, {:.4f}, {:.4f}\n'.format(
                *mAP11_bbox[:, 0])
        if mAP11_bev is not None:
            mAP11_bev = mAP11_bev.mean(axis=0)
            result += 'bev  AP11:{:.4f}, {:.4f}, {:.4f}\n'.format(
                *mAP11_bev[:, 0])
        if mAP11_3d is not None:
            mAP11_3d = mAP11_3d.mean(axis=0)
            result += '3d   AP11:{:.4f}, {:.4f}, {:.4f}\n'.format(*mAP11_3d[:,
                                                                            0])
        if compute_aos:
            mAP11_aos = mAP11_aos.mean(axis=0)
            result += 'aos  AP11:{:.2f}, {:.2f}, {:.2f}\n'.format(
                *mAP11_aos[:, 0])

        # prepare results for logger
        for idx in range(3):
            postfix = f'{difficulty[idx]}'
            if mAP11_3d is not None:
                ret_dict[f'KITTI/Overall_3D_AP11_{postfix}'] = mAP11_3d[idx, 0]
            if mAP11_bev is not None:
                ret_dict[f'KITTI/Overall_BEV_AP11_{postfix}'] =\
                    mAP11_bev[idx, 0]
            if mAP11_bbox is not None:
                ret_dict[f'KITTI/Overall_2D_AP11_{postfix}'] =\
                    mAP11_bbox[idx, 0]

    # Calculate AP40
    result += '\n----------- AP40 Results ------------\n\n'
    for j, curcls in enumerate(current_classes):
        # mAP threshold array: [num_minoverlap, metric, class]
        # mAP result: [num_class, num_diff, num_minoverlap]
        curcls_name = class_to_name[curcls]
        for i in range(min_overlaps.shape[0]):
            # prepare results for print
            result += ('{} AP40@{:.2f}, {:.2f}, {:.2f}:\n'.format(
                curcls_name, *min_overlaps[i, :, j]))
            if mAP40_bbox is not None:
                result += 'bbox AP40:{:.4f}, {:.4f}, {:.4f}\n'.format(
                    *mAP40_bbox[j, :, i])
            if mAP40_bev is not None:
                result += 'bev  AP40:{:.4f}, {:.4f}, {:.4f}\n'.format(
                    *mAP40_bev[j, :, i])
            if mAP40_3d is not None:
                result += '3d   AP40:{:.4f}, {:.4f}, {:.4f}\n'.format(
                    *mAP40_3d[j, :, i])
            if compute_aos:
                result += 'aos  AP40:{:.2f}, {:.2f}, {:.2f}\n'.format(
                    *mAP40_aos[j, :, i])

            # prepare results for logger
            for idx in range(3):
                if i == 0:
                    postfix = f'{difficulty[idx]}_strict'
                else:
                    postfix = f'{difficulty[idx]}_loose'
                prefix = f'KITTI/{curcls_name}'
                if mAP40_3d is not None:
                    ret_dict[f'{prefix}_3D_AP40_{postfix}'] =\
                        mAP40_3d[j, idx, i]
                if mAP40_bev is not None:
                    ret_dict[f'{prefix}_BEV_AP40_{postfix}'] =\
                        mAP40_bev[j, idx, i]
                if mAP40_bbox is not None:
                    ret_dict[f'{prefix}_2D_AP40_{postfix}'] =\
                        mAP40_bbox[j, idx, i]

    # calculate mAP40 over all classes if there are multiple classes
    if len(current_classes) > 1:
        # prepare results for print
        result += ('\nOverall AP40@{}, {}, {}:\n'.format(*difficulty))
        if mAP40_bbox is not None:
            mAP40_bbox = mAP40_bbox.mean(axis=0)
            result += 'bbox AP40:{:.4f}, {:.4f}, {:.4f}\n'.format(
                *mAP40_bbox[:, 0])
        if mAP40_bev is not None:
            mAP40_bev = mAP40_bev.mean(axis=0)
            result += 'bev  AP40:{:.4f}, {:.4f}, {:.4f}\n'.format(
                *mAP40_bev[:, 0])
        if mAP40_3d is not None:
            mAP40_3d = mAP40_3d.mean(axis=0)
            result += '3d   AP40:{:.4f}, {:.4f}, {:.4f}\n'.format(*mAP40_3d[:,
                                                                            0])
        if compute_aos:
            mAP40_aos = mAP40_aos.mean(axis=0)
            result += 'aos  AP40:{:.2f}, {:.2f}, {:.2f}\n'.format(
                *mAP40_aos[:, 0])

        # prepare results for logger
        for idx in range(3):
            postfix = f'{difficulty[idx]}'
            if mAP40_3d is not None:
                ret_dict[f'KITTI/Overall_3D_AP40_{postfix}'] = mAP40_3d[idx, 0]
            if mAP40_bev is not None:
                ret_dict[f'KITTI/Overall_BEV_AP40_{postfix}'] =\
                    mAP40_bev[idx, 0]
            if mAP40_bbox is not None:
                ret_dict[f'KITTI/Overall_2D_AP40_{postfix}'] =\
                    mAP40_bbox[idx, 0]

    return result, ret_dict

参考资料

  1. https://github.com/open-mmlab/mmdetection3d
  2. https://mmdetection3d.readthedocs.io/en/latest/getting_started.html#installation
  3. https://docs.docker.com/config/containers/resource_constraints/#gpu
  4. http://www.open3d.org/docs/release/docker.html
fung-hwang
关注
  • 8
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
mmdetection3d简单安装（官方教程就是坑）
hungita的博客
08-30 2988
所有的Python包安装不确定对应的版本就是坑，本教程教您少安装mmdetection3d闭坑。
MMDetection3D
最新发布
QQ418579986的博客
06-23 130
机器视觉
MMDetection3D学习笔记一：环境搭建
qq_44722189的博客
06-14 407
更推荐直接参考学习官方文档以及官方GitHub仓库，其所包含的内容最全面权威。MMDetection3D是一个基于PyTorch的开源对象检测工具箱，专门用于处理3D场景中检测和分割任务，属于OpenMMLab项目的一部分。可以基于MMDetection3D实现基于点云、图像和多模态数据的3D检测与分割。目前MMDetection3D已经支持数十种不同的算法及多个主流数据集，每个算法都提供了多个SOTA的预训练模型，可以直接使用这些预训练模型实现推理。可以参考模型库和数据集。
重磅！OpenMMLab 更新啦！分类/检测/分割/3D等项目全面升级
3D视觉工坊
10-29 1369
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达本文作者：陈恺https://zhuanlan.zhihu.com/p/74597564本文已由原作者授权，不得擅自二次转载历时不知...
OpenMMLab-AI实战营第二期——4-2.MMDetection代码课
Castlehe的博客
06-11 1320
MMDetection 支持了各种不同的检测任务，包括目标检测，实例分割，全景分割，以及半监督目标检测。检测是分割的基础，所以它也包含了很多分割任务，和MMSegmentation的区别是：目前，支持的分割任务为语义分割中支持了实例分割和全景分割。超详细！带你轻松掌握 MMSegmentation 整体构建流程语义分割的应用：①自动驾驶；②遥感图像分析；③医学图像分析。所以可以理解为专门为了这三个垂直方向把语义分割方向的模型单独列出来了这个库主要是面向3D的，感觉重点在点云数据上，
Docker-mmdetection3d
weixin_42783619的博客
11-09 1330
docker安装 https://blog.csdn.net/b1134977524/article/details/120442417 部署cuda https://blog.csdn.net/weixin_50008473/article/details/119464898
如何添加目标框架_OpenPCDet: Open-MMLab 面向LiDAR点云表征的3D目标检测代码库
weixin_39559559的博客
11-06 261
随着自动驾驶与机器人技术的不断发展，基于点云表征的3D目标检测领域在近年来取得了不断的发展。然而，层出不穷的点云数据集（KITTI、NuScene、Lyft、Waymo、PandaSet等）在数据格式与3D坐标系上往往定义各不相同，各式各样的点云感知算法（point-based、 voxel-based、one-stage/two-stage等）也形态各异，使得相关研究者难以在一个统一的框架内进行...
mmdetection3d:OpenMMLab的下一代通用3D对象检测平台
03-17
MMDetection3D是一个基于PyTorch的开源对象检测工具箱，面向用于通用3D检测的下一代平台。 它是MMLab开发的OpenMMLab项目的。主要特点开箱即用地支持多模态/单模态检测器它直接支持多模态/单模态检测器，包括MVXNet...
mmdetection-annotated:mmdetection原始注释
03-22
MMDetection-annotations已更新至最新版本1.0 。 我将继续更新，但可能不会追求最新版本的升级。带有mmdetection注释的介绍在这里参考执行： : ，并感谢作者 。 Open-mmlab项目包含最新论文的各种模型和实现，在...
2019-目标检测工具包MMDetection-Open MMLab Detection Toolbox and Benchma
08-03
MMDetection是一个开放源代码的目标检测工具包，由Open MMLab团队开发，它是一个全面且统一的平台，涵盖了多种流行的目标检测和实例分割方法，以及相关组件和模块。这个工具箱起源于MMDet团队在2018年COCO挑战赛检测...
Open MMLab Detection Toolbox-python
06-18
它是中大多媒体实验室开发的 OpenMMLab 项目的一部分。 主要特点 模块化设计 我们将检测框架分解为不同的组件，通过组合不同的模块，可以轻松构建定制的对象检测框架。 开箱即用支持多种框架工具箱直接支持流行和...
MMDetection： Open MMLab Detection Toolbox and Benchmark.pdf
01-29
目标检测开源库MMdetection论文：MMDetection： Open MMLab Detection Toolbox and Benchmark
环境配置：open-mmlab视觉库mmdetection
qq_38109282的博客
10-18 708
配置 windows系统下的环境配置 pytorch(python3.8) pytorch命令指南 pip3 install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio===0.9.1 -f https://download.pytorch.org/whl/torch_stable.html 可能会出现pip失败的情况，大概率是网络不稳定造成的， pytorch下载 如果上面因为网络原因pip失败，可以去上面链接下载对应的库包，本文的.
【AI框架】MMDetection3D 目标检测框架的 Docker 环境制作和改良
白拾的博客
03-20 8916
MMDetection3D 是一个基于 PyTorch 的目标检测开源工具箱, 下一代面向3D检测的平台. ✨本文提供了一套完整的基于Docker的目标检测研究环境搭建思路，对官方教程进行了一定的修改和补充。同时随文提供SSH和Jupyter server实践，均为可用状态，提供了可靠资料给小伙伴们探索。 注：官方docker适合运行框架内的模型，本文的修改的docker适合对模型进行修改和创新，对使用者的要求略高。 全流程 1. 下载需要的资源 1. 下载 Kitti 数据集 2. 下载.
上手OpenMMLab——MMDetection讲解与实战
Yuetian_w的博客
11-15 673
将类别名设置为 COCO 全部类别，那么其实就可以转变了常规的目标检测算法。(2) 图片+ 语言描述：There are a lot of cars here.[外链图片转存中…(img-9PBtIXnS-1700016796813)]上述输入是自然语言描述，因此等价于 Grounding Object Detection。
3D目标检测框架 MMDetection3D环境搭建 docker篇
黎国溥
09-16 1350
本文介绍如何搭建3D目标检测框架，使用docker快速搭建MMDetection3D的开发环境，实现视觉3D目标检测、点云3D目标检测、多模态3D目标检测等等。需要大家提前安装好docker，并且docker版本>= 19.03。
docker与mmdetection
qq_36537774的博客
08-16 744
这里不再介绍 mmdetection 的安装和配置，使用 mmdetection 较简单的方法是使用已安装 mmdetection 的 docker 容器。这样直接省去了安装 mmdetection 的过程，让重心放在模型训练上！ 如果你对 docker 和 mmdetection 还不是很熟悉，请自行搜索一下，本文就不再赘述了。 这里附上 mmdetection 的 GitHub 地址： https://github.com/open-mmlab/mmdetection 0. 前期准备 首先默认
mmdetection使用tensorboard可视化训练集与验证集指标参数
qq_34291583的博客
04-10 2334
参看网址：https://blog.csdn.net/weicao1990/article/details/103324218
[云服务器与docker]在mmdetection3d上跑PointPillars
weixin_44698281的博客
12-03 2762
本文基本是按照下方链接跑代码。如何跑通PointRcnn_三烽的博客-CSDN博客点云目标检测（一）——PointRcnn复现环境要求数据准备程序准备组织数据程序运行Test Model可能出现的问题总结最近在进行点云目标检测方面论文工作，对于PointRcnn虽然readme已经写得很清楚了，但是复现过程中依然会遇到很多问题，以下是我对与readme的重述和对整个程序运行流程的一些说明。论文链接：PointRCNN papercode：PointRCNN code环境要求Linux (tested on
Traceback (most recent call last): File "setup.py", line 165, in <module> subprocess.check_call([sys.executable, "-m", "pip", "install", 'https://github.com/open-mmlab/mmdetection/archive/v1.0rc1.zip', '-v']) File "/home/zrb/anaconda3/envs/open-mmlab/lib/python3.7/subprocess.py", line 363, in check_call raise CalledProcessError(retcode, cmd) subprocess.CalledProcessError: Command '['/home/zrb/anaconda3/envs/open-mmlab/bin/python', '-m', 'pip', 'install', 'https://github.com/open-mmlab/mmdetection/archive/v1.0rc1.zip', '-v']' returned non-zero exit status 1.
07-23
pip install 'git+https://github.com/open-mmlab/mmdetection.git' ``` 这将直接从 GitHub 上克隆最新的 mmdetection 仓库并安装它。 如果问题仍然存在，请提供更多详细的错误信息，这样我才能更好地帮助你解决...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值