MMDection框架安装及测试成功(Windows下)

一、python基本环境安装

1.Python环境
conda create -n mmdection python=3.7
activate mmdection    #激活环境

2.cudatoolkit和cudnn
conda install cudatoolkit==11.1.1
conda install cudnn==8.2.0.53
#使用GPU进行训练时可以不用安装CUDA，只需要用下面的指令在虚拟环境中安装cudatoolkit和cudnn即可

3.pytorch（1.8 GPU版本）
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 -c pytorch -c conda-forge

二、克隆

1.在github上克隆mmdection代码，并将基本Python环境配置进去，保证页面显示这样

github网址：open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark (github.com)

2.配置完成之后在目录下新建一个py文件来测试torch是否可用

import torch
 
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())

结果：

三、配置mmdection环境

1.使用 MIM 安装 MMEngine 和 MMCV

pip install -U openmim
mim install mmengine
mim install "mmcv>=2.0.0"

注意：不要同时下载mmcv和mmcv-full,，mmcv分mmcv-full和mmcv两种版本，同时下载会报错

在环境中pip list查看是否安装成功

2.在pycharm终端配置（不报error即可）

pip install -r requirements/build.txt
#安装相应的依赖包
python setup.py develop
#执行后，若对项目源代码进行修改，则这些修改会立即生效，无需重新运行安装命令

四、验证mmdection安装成功（以Faster-rcnn为例）

mmdection已提供demo/demo.jpg进行验证

1.在项目主目录下新建目录：test_demo,再新建目录：checkpoints

在checkpoints中放入下载的相应权重文件http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

2.在主目录下新建Python文件：test.py

import mmcv
from mmengine import VISUALIZERS

from mmdet.apis import init_detector, inference_detector


config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py'
# 从 model zoo 下载 checkpoint 并放在 `checkpoints/` 文件下
# 网址为: http://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
checkpoint_file = 'C:/Anaconda/Python_code/mmdetection/test_demo/checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
# 初始化检测器
# build the model from a config file and a checkpoint file
model = init_detector(config_file, checkpoint_file)

image = mmcv.imread('demo/demo.jpg')
result = inference_detector(model, image)

# init the visualizer(execute this block only once)
visualizer = VISUALIZERS.build(model.cfg.visualizer)
# the dataset_meta is loaded from the checkpoint and
# then pass to the model in init_detector
visualizer.dataset_meta = model.dataset_meta

# show the results
visualizer.add_datasample(
    'result',
    image,
    data_sample=result,
    draw_gt=False,
    wait_time=0,
    out_file='outputs/result.png' # optionally, write to output file
)
visualizer.show()

注意：不要使用result_show展示图片，版本已经不支持该函数

结果：