DCNv2_latest Linux Mint 下编译

最新推荐文章于 2025-11-26 20:52:45 发布
原创 最新推荐文章于 2025-11-26 20:52:45 发布 · 1k 阅读 · 10 ·
CC 4.0 BY-SA版权
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。
文章标签：

#linux #pytorch #深度学习

本文档详细记录了在Linux Mint系统中编译DCNv2_latest的过程，包括配置conda环境，下载特定版本的环境文件，创建并激活环境，以及编译和安装DCNv2的步骤，最后成功将编译后的库文件添加到环境中。

最近需要编译一下DCN这个网络，使用conda 管理依赖库是真的方便，需要的东西往里放，只要版本之间不冲突，对编译代码十分友好。

配置

GPU：RTX 3080
系统： Linux Mint 20.1 Cinnamon 4.8.6
Cuda: 11.1
Pytorch: 1.8.1

运行环境

根据需要的依赖库下载对应的conda环境，这里提供我自己使用的conda 环境下载地址，其实有很多依赖库是用不着的：
https://github.com/Phil-Mao/AnacondaRecipies/tree/master/_environments
Clone之后，创建一个conda环境：

conda env create -n mvs -f _environments/mvs.fixed.yml

激活mvs环境，conda activate mvs:
激活mvs

DCNv2-latest

这里我用的是一个比较新的版本：
https://github.com/jinfagang/DCNv2_latest

编译

这里需要指定cuda对应版本安装的位置：

set CUDA_HOME=/usr/local/cuda-11.1

一键编译：


                

                
                
        

    


  


        

            

                      
                        最低0.47元/天 解锁文章
                          
                      
            

        


    



                



	

		

			

				
					
【DCNv2踩坑记录】Windows10 + RTX3060 + cuda11.0 + pytorch1.7.1成功编译

				
			

			

				

					qq_42700606的博客
				

				

					09-06
					
					9406
					
				

			

		

		

			
				
【DCNv2踩坑记录】 windows10 + RTX3060 + cuda11.0 + pytorch1.7.1 成功编译


			
		

	



                

            
              



	

		

			

				
					
【亲测免费】 DCNv2 最新版安装与使用教程

					
最新发布

				
			

			

				

					gitblog_00121的博客
				

				

					11-26
					
					1334
					
				

			

		

		

			
				
**DCNv2 (Deformable Convolutional Networks v2)** 是由[Jin Fanggang](https://github.com/jinfagang)维护的一个开源项目，它主要实现了可变形卷积网络的第二版本。可变形卷积是一种改进的卷积操作，允许卷积核的位置通过学习得到，从而能够更好地适应输入数据中的几何变换。这一技术在目标检测、语义分割等计算机视觉任务中显示

			
		

	



              


  
              

                


	

		

			

				
					
maskrcnn-benchmark中的可变形卷积网络：DCNv2集成指南

				
			

			

				

					gitblog_00469的博客
				

				

					09-10
					
					412
					
				

			

		

		

			
				
你是否还在为目标检测模型在处理不规则物体时精度不足而困扰？是否想通过引入先进的空间建模能力提升Mask R-CNN的性能？本文将系统讲解如何在maskrcnn-benchmark框架中集成和应用可变形卷积网络（Deformable Convolutional Networks v2, DCNv2），通过模块化配置实现精度提升。读完本文你将掌握：

- DCNv2的核心原理与性能优势
- maskr...

			
		

	





	

		

			

				
					
DCNv2ubuntu16.04下编译好的

				
			

			

				

					11-12
				

			

		

		

			
				
可变形卷积dcnv2编译，ubuntu16.04下编译好的，cuda10.0，cudnn7.1.3，欢迎下载

			
		

	



		

			
		



	

		

			

				
					
推荐深度学习模型库：DCNv2_latest

				
			

			

				

					gitblog_00052的博客
				

				

					04-15
					
					792
					
				

			

		

		

			
				
推荐深度学习模型库：DCNv2_latest
在人工智能领域，尤其是在自然语言处理和推荐系统中，深度学习已经成为核心技术之一。今天，我想要向大家推荐一个强大的深度学习模型库——。这个项目是基于原版Deep Crossing Network (DCN)的最新优化版本，为研究人员和开发人员提供了高效的多模态特征交互方法。
DCNv2是什么？
DCNv2是一个用于构建复杂特征交叉结构的深度学习框架，最初...

			
		

	





	

		

			

				
					
DCNv2_latest:DCNv2支持不错的火炬，例如火炬1.5+（现在为1.8+）

				
			

			

				

					05-03
				

			

		

		

			
				
DCNv2最新
由于DCN在许多模型中使用得很好，并且性能很好，但是在行业中，此操作支持不是很好。 包括pytorch，onnx，tensorrt等。此仓库使pytorch中的所有版本都可以使用DCNv2。
 在CenterNet-DLA模型中推断出的Pytorch 1.7。 它可以在Pytorch 1.7上运行，因此您可以在RTX 30系列卡中使用它。
更新
2021.03.24 ：已确认PyTorch 1.8在主分支中可以使用，随时可以使用它。
 2021.02.18 ：新年快乐！ PyTorch 1.7终于在master分支上得到支持！ 对于较低的版本，理论上也可以，如果没有，请向我提出问题！ 。
 2020.09.23 ：现在，默认情况下，master分支适用于pytorch 1.6，对于较旧的版本，您需要将其分开。
 2020.08.25 ：签出pytorch1.6分支以获得py

			
		

	





	

		

			

				
					
 推荐开源项目：DCNv2 Latest - 深度学习中的动态卷积网络

				
			

			

				

					gitblog_00046的博客
				

				

					11-26
					
					792
					
				

			

		

		

			
				
在深度学习领域，模型的创新一直是推动技术进步的关键。 是一个优秀的开源项目，它基于 Dynamic Convolutional Network（DCN）的最新版本，为研究人员和开发者提供了一种强大的工具，以处理复杂的序列建模任务。

## 项目简介

DCNv2 最新版是一个由 Jinfa Gang 开发并维护的 Python 库，实现了 DeepMind 在 2018 年提出的动态卷积网络（Dy

			
		

	





	

		

			

				
					
DCNv2-windows-torch1.11+

				
			

			

				

					02-20
				

			

		

		

			
				
DCNv2，即Deformable Convolutional Networks v2，是一种深度学习中的卷积神经网络架构，它在传统的卷积操作基础上引入了可变形卷积机制。这种技术的核心思想是使得卷积核能够自适应地调整其形状和位置，以更好地...

			
		

	





	

		

			

          精选资源
				
					
DCNv2-master.zip

				
			

			

				

					06-30
				

			

		

		

			
				
本项目以"DCNv2-master.zip"为载体，提供了在PyTorch 1.7版本下运行DCNv2的源代码，无需进行大规模修改，便于理解和应用。  DCNv2的核心思想在于引入动态卷积（Dynamic Convolution），它通过将静态卷积核与可学习的...

			
		

	





	

		

			

				
					
解决DCNv2在Linux上安装失败的问题

				
			

			

				

					XavierJ的博客
				

				

					08-12
					
					4962
					
				

			

		

		

			
				
今天同学安装 DCN（Deformable Convolutional Networks，可变性卷积网络）v2的 PyTorch 版本时遇到了很多问题，弄了将近一天也没解决。于是求助笔者帮忙解决，这里记录一下成功的解决方案。尝试了一下克隆仓库并安装，但也是报各种错误，但大部分原因都是 PyTorch 版本太高，高版本中删除了很多 C++ 写的头文件，导致编译错误。安装过程中的提示信息如下：（忽略警告）运行脚本校验安装是否可用：（忽略警告）......

			
		

	





	

		

			

				
					
DCNv2_latest 开源项目教程

				
			

			

				

					gitblog_00541的博客
				

				

					08-21
					
					897
					
				

			

		

		

			
				
DCNv2_latest 开源项目教程
1. 项目的目录结构及介绍
DCNv2_latest 项目的目录结构如下：
DCNv2_latest/
├── README.md
├── setup.py
├── dcn_v2.py
├── dcn_v2_func.py
├── dcn_v2_modulated.py
├── dcn_v2_ops.py
├── dcn_v2_pytorch.py
├── ...

			
		

	





	

		

			

				
					
编译DCNv2 cuda版本

				
			

			

				

					HFsdb1的博客
				

				

					08-05
					
					1069
					
				

			

		

		

			
				
1、下载源码
因为DCNv2暂不支持pytorch1.7，选择最新的1.6版本的
https://github.com/lbin/DCNv2/tree/pytorch_1.6
2、安装pytorch1.6.0，以及torchvision0.7.0
https://download.pytorch.org/whl/torch_stable.html
两种方式：1）conda安装pytorch   2）pip安装
第一种编译DCNv2时，可能不能编译.cu文件成.o文件
第二种稳妥，先下载torch和torch

			
		

	





	

		

			

				
					
DCNv2在pytorch1.8.1的安装（经过测试）

				
			

			

				

					AI训练师中的点滴
				

				

					01-20
					
					6627
					
				

			

		

		

			
				
我的电脑环境




项目名称
版本




cuda版本
11.1


pytorch版本
1.8.1


ubuntu版本
18.04


在安装centerFusion（centerNet的多模态融合版本）时，遇到DCNv2不支持新版pytorch的问题，通过寻找其他博客，发现他们只找到了pytorch1.7的新版本，我测试适用于1.7的，也报了各种错，直到我找到了DCNv2某位大佬写的最新版，但是在安装的过程中，出现了很多问题，最后经过我的略微修改，可以运行了。
安装流程
#到你的路径上
git c

			
		

	





	

		

			

				
					
编译dcn v2: Error checking compiler version for cl

				
			

			

				

					木木JL的博客
				

				

					05-03
					
					1692
					
				

			

		

		

			
				
编译dcn v2，找不到msvc编译器（电脑上vs 2019 2017共存，默认2019但cuda toolkit不支持）
# error
UserWarning: Error checking compiler version for cl: [WinError 2] 系统找不到指定的文件

解决办法：指定编译器位置
# for vs2017
call "C:\Program Files (x8...

			
		

	





	

		

			

				
					
超详细ubuntu20.04运行安装yolact++，编译DCNv2，pytorch=1.11.0 cudatoolkit=11.3

				
			

			

				

					u013454780的博客
				

				

					04-05
					
					3151
					
				

			

		

		

			
				
超详细ubuntu20.04运行安装yolact++，编译DCNv2，pytorch=1.11.0 torchvision=0.12.0 torchaudio=0.11.0 cudatoolkit=11.3  

			
		

	





	

		

			

				
					
DCNv2编译报错解决方法

				
			

			

				

					dhdhhy的博客
				

				

					08-21
					
					1060
					
				

			

		

		

			
				
【代码】DCNv2编译报错解决方法。

			
		

	





	

		

			

				
					
解决在windows上DCNv2编译问题（强推！亲测有效！！）

				
			

			

				

					Ningmoua的博客
				

				

					12-26
					
					3939
					
				

			

		

		

			
				
解决DCNv2在windows中编译不通过问题

			
		

	





	

		

			

				
					
dcnv2_dynamic

				
			

			

				

					12-29
				

			

		

		

			
				
### DCNv2 Dynamic Implementation Details and Usage

In the context of deep learning frameworks, **DCNv2 (Deformable Convolutional Networks version 2)** introduces significant improvements over its predecessor by enhancing feature interaction capabilities while maintaining computational efficiency. Specifically designed to handle complex scene variations more effectively, especially on datasets like COCO where object shapes vary widely.

#### Key Features of DCNv2

The core enhancement in DCNv2 lies in replacing standard convolution layers with deformable convolutions from `conv3` through `conv5`, resulting in a total of twelve deformable convolution layers[^2]. This modification allows each spatial location within these blocks to learn an independent sampling grid that can adaptively adjust according to input patterns, thereby improving model performance significantly compared to fixed-grid approaches used traditionally.

For implementing such dynamic behavior efficiently:

- Each position's offset is generated using two separate convolution operations—one for generating spatial offsets and another specifically aimed at producing channel-wise modulation factors.
  
- These additional parameters enable models not only to capture geometric transformations but also modulate features across different channels dynamically based on learned importance weights during training phases.

This approach ensures better alignment between extracted features and actual objects present in images or videos without increasing overall complexity excessively when integrated into large-scale systems like those employed by Google for web page ranking tasks[^1].

#### Integration Within Deep Learning Frameworks

To integrate DCNv2 dynamically within popular deep learning libraries such as PyTorch or TensorFlow:

1. Custom Layer Definition:
   
   Define custom layer classes inheriting base functionalities provided by respective framework APIs. For instance, extending `torch.nn.Module` class in case of PyTorch implementations would look something similar below:

```python
import torch
from torch import nn


class DeformConv2d(nn.Module):
    def __init__(self,
                 inc,
                 outc,
                 kernel_size=3,
                 stride=1,
                 padding=1,
                 bias=None):
        super(DeformConv2d, self).__init__()

        self.kernel_size = kernel_size
        N = kernel_size * kernel_size
        
        # Offset generation network
        self.offset_conv = nn.Conv2d(
            inc,
            2 * N,
            kernel_size=kernel_size,
            stride=stride,
            padding=padding,
            bias=bias)

        # Modulation scalar generation network
        self.modulator_conv = nn.Conv2d(
            inc,
            N,
            kernel_size=kernel_size,
            stride=stride,
            padding=padding,
            bias=bias)

        # Main deformation operation
        self.deform_conv = torchvision.ops.DeformConv2d(
            inc,
            outc,
            kernel_size=(kernel_size, kernel_size),
            stride=stride,
            padding=padding,
            bias=bias)


    def forward(self, x):
        o = self.offset_conv(x)
        m = torch.sigmoid(self.modulator_conv(x))
        
        return self.deform_conv(x, o, m)
```

2. Model Architecture Modification:
   
   Replace conventional convolution modules (`nn.Conv2d`) inside backbone networks (e.g., ResNet) with instances created above whenever necessary—especially focusing areas mentioned earlier (`conv3` till `conv5`). Ensure proper initialization techniques are applied post-replacement steps so newly added components converge smoothly alongside existing ones throughout optimization iterations.

By following this structured methodology, developers ensure seamless incorporation of advanced architectural elements supporting flexible receptive fields directly impacting final outcomes positively both offline accuracy metrics and online business KPIs observed empirically under real-world conditions.

--related questions--

1. How does integrating multiple versions of DCNs impact neural network architectures?
2. What challenges might one face while compiling custom operators like DCNv2 in various environments?
3. Can you provide examples demonstrating how specific applications benefit uniquely from adopting DCNv2 over traditional methods?
4. In what ways do varying configurations affect resource utilization profiles associated with deploying enhanced CNN variants incorporating deformable kernels?

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  

	
    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              红包
              添加红包
            

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      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