MMDetection学习笔记（1）--安装及demo测试全过程

MMDetection是什么？

MMDetection是一个基于Pytorch的目标检测开源工具箱，简直是懒狗福音啊～

放一下官方的GitHub链接：GitHub - open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark

MMDetection的主要特征：

• 模块化设计

        将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型     

• 丰富的即插即用的算法和模型

        支持众多主流的最新的检测算法，例如 Faster R-CNN, Mask R-CNN, RetinaNet等

• 速度快

        基本的框和mask操作都实现了GPU版本，训练速度快

• 性能高        

        牛逼的开发团队

安装全过程及问题解决

1. 相关环境配置要求

话不多说，直接开干，首先按照官方要求的安装环境：

• Linux or macOS (Windows is in experimental support)
• Python 3.6+
• PyTorch 1.3+
• CUDA 9.2+ (If you build PyTorch from source, CUDA 9.0 is also compatible)
• GCC 5+
• MMCV

这里我个人的安装环境是这样的：

• Linux(Ubuntu16.04)
• Python 3.7.7
• PyTorch 1.6.0
• CUDA 10.1
• GCC 5.4.0
• MMCV

可以通过以下命令来查看各种包的版本;

1. 查看pytorch版本：
2. 查看cuda版本：nvcc --version
3. 查看gcc版本：gcc --version 

---------------------------------------------------------------------------------------------------------------------------------

建议：

1. pytorch, python....默认不要安装最新版的
2. 为了避免安装包版本冲突问题，建议创建一个conda虚拟环境专门来存放相关包，这一步应该在安装pytorch等包之前执行，具体命令如下：

   conda create -n openmmlab python=3.7 -y
   conda activate openmmlab

   openmmlab可以设置成自己喜欢的环境名称

3. 建议在linux系统上安装，windows虽然目前已支持，但是版本比较旧

---------------------------------------------------------------------------------------------------------------------------------

2. 安装MMDetection

首先我们先把相关文件下载下来

 通过进入目标目录git clone...或者直接下载压缩包的形式

这是文件的大概组成，其中demo主要存放demo图片和视频，demo脚本；configs主要存放各种算法框架的脚本，docs文件里面的install.md是用来讲解安装过程和环境配置；checkpoints是存放训练权重文件的，这个目录需要自己创建，里面的.pth文件需要对应要使用的不同的算法框架进行自行下载，具体后面会讲

然后我们开始安装MMDetection,官方建议的方法是用MIM来安装，这里就只展示这种方法，手动安装的方法可以在GitHub上查看

pip install openmim
mim install mmdet

我们可以看到上面目录图片里有一个requirements.txt的文件，这用来导向整体项目的一些python的依赖，在根目录下打开命令行窗口（要激活刚刚创建的虚拟环境），执行命令：

pip install -r requirements.txt

执行上面的命令之后就会自动安装一些依赖

3.安装COCO数据集

安装好MMDetection后，我们需要安装coco数据集

 安装后的文件结构如下，我主要会用到Python的接口

 进入到PythonAPI, 里面会有一个setup.py, 我们在PythonAPI目录下打开命令行窗口（虚拟环境下），输入以下命令以完成配置：

python setup.py build_ext install

注意：重新编译setup.py的话要先把build, pycocotools.egg-info删除干净

通过pip list查看是否成功安装pycocotools

再回到mmdetection根目录，打开命令行窗口，输入：

python setup.py develop

上面这行命令是用来安装包的，类似于"python setup.py install", 此处develpo不同于install，该方法不会真正的安装包，而是在系统环境中创建一个软链接指向包实际所在目录，这边在修改包之后不用再安装就能生效，便于调试。适用于项目处于开发阶段。

运行demo

到此我们已把所有基本的包和环境都安装好了，接下来就开始运行我们的demo了。首先打开mmdetection/config选一个算法框架，例如，假如我选择faster r-cnn，打开目录后，可以看到里面的文件是这样的：

 打开README.md，可以看到文件名称的含义

 这里我选择了mask_rcnn_fpn_1x_coco的框架，对应README.md中找到对应的权重文件下载链接，[model]对应的链接就是权重文件的下载链接

 打开链接之后，自动下载权重文件，我们在mmdetection目录下新建一个checkpoints目录，这个目录用来存放权重文件

下载好权重文件之后我们就可以开始测试了，输入下面的命令

 发现这里出现了一个错误，ImportError: /opt/ros/kinetic/lib/python2.7/dist-packages/cv2.so: undefined symbol: PyCObject_Type

仔细看，发现是与之前安装的ROS有关，这里我们安装的opencv-python包是存放在anaconda下的，而在使用import cv2的时候会出现此错误，原因是ROS安装之后的~/.bashrc文件多出一句：

source /opt/ros/kinetic/setup.bash

因为是受ROS安装的影响，ROS安装之后会在python中加入：'/opt/ros/kinetic/lib/python2.7/dist-packages'，为了解决此问题，可以在需要运行的python文件（即使用 import cv2的python文件）中，添加以下代码：

import sys
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')

如下图：

 通过这两行代码，我们可以把ROS写入path中的路径清除

解决这个问题之后我们再尝试重新输入测试的命令，这里我又选用了其他算法框架哈哈哈： 

 得到结果：