[mmcv系列] pip安装mmcv记录

文章介绍了如何查看Torch和CUDA的版本,提供了从预编译包和源码两种方式安装mmcv的方法,并详细展示了环境验证过程。当遇到`frommmcvimportConfig`报错时,建议安装mmcv-full的低版本(小于2.0.0)来解决问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


可以直接 参考教程
找到pip安装,选择自己的cuda和torch版本,复制指令到终端安装即可:


1.查看torch和cuda版本

终端运行指令:

python -c 'import torch;print(torch.__version__);print(torch.version.cuda)'

输出结果:

1.13.0+cu117
11.7

对应torch1.13和cuda11.7

1.安装

1.1从预编译包安装

优点是又快又省事。缺点是目前只有mmcv2.0的,1.x的没有。
在这里插入图片描述
这都是预编译好的包,所以安装速度非常快!

1.2 源码编译安装

参考链接:从源码编译 MMCV

2.校验

下载测试文件check_installation.py,然后在当前环境下运行。

运行结果为:

Start checking the installation of mmcv ...
CPU ops were compiled successfully.
CUDA ops were compiled successfully.
mmcv has been installed successfully.

Environment information:
------------------------------------------------------------
sys.platform: linux
Python: 3.8.16 (default, Mar  2 2023, 03:21:46) [GCC 11.2.0]
CUDA available: True
numpy_random_seed: 2147483648
GPU 0: NVIDIA GeForce RTX 3080
CUDA_HOME: /usr/local/cuda
NVCC: Cuda compilation tools, release 11.7, V11.7.64
GCC: gcc (Ubuntu 9.4.0-1ubuntu1~20.04.1) 9.4.0
PyTorch: 1.13.0+cu117
PyTorch compiling details: PyTorch built with:
  - GCC 9.3
  - C++ Version: 201402
  - Intel(R) Math Kernel Library Version 2020.0.0 Product Build 20191122 for Intel(R) 64 architecture applications
  - Intel(R) MKL-DNN v2.6.0 (Git Hash 52b5f107dd9cf10910aaa19cb47f3abf9b349815)
  - OpenMP 201511 (a.k.a. OpenMP 4.5)
  - LAPACK is enabled (usually provided by MKL)
  - NNPACK is enabled
  - CPU capability usage: AVX2
  - CUDA Runtime 11.7
  - NVCC architecture flags: -gencode;arch=compute_37,code=sm_37;-gencode;arch=compute_50,code=sm_50;-gencode;arch=compute_60,code=sm_60;-gencode;arch=compute_70,code=sm_70;-gencode;arch=compute_75,code=sm_75;-gencode;arch=compute_80,code=sm_80;-gencode;arch=compute_86,code=sm_86
  - CuDNN 8.5
  - Magma 2.6.1
  - Build settings: BLAS_INFO=mkl, BUILD_TYPE=Release, CUDA_VERSION=11.7, CUDNN_VERSION=8.5.0, CXX_COMPILER=/opt/rh/devtoolset-9/root/usr/bin/c++, CXX_FLAGS= -fabi-version=11 -Wno-deprecated -fvisibility-inlines-hidden -DUSE_PTHREADPOOL -fopenmp -DNDEBUG -DUSE_KINETO -DUSE_FBGEMM -DUSE_QNNPACK -DUSE_PYTORCH_QNNPACK -DUSE_XNNPACK -DSYMBOLICATE_MOBILE_DEBUG_HANDLE -DEDGE_PROFILER_USE_KINETO -O2 -fPIC -Wno-narrowing -Wall -Wextra -Werror=return-type -Werror=non-virtual-dtor -Wno-missing-field-initializers -Wno-type-limits -Wno-array-bounds -Wno-unknown-pragmas -Wunused-local-typedefs -Wno-unused-parameter -Wno-unused-function -Wno-unused-result -Wno-strict-overflow -Wno-strict-aliasing -Wno-error=deprecated-declarations -Wno-stringop-overflow -Wno-psabi -Wno-error=pedantic -Wno-error=redundant-decls -Wno-error=old-style-cast -fdiagnostics-color=always -faligned-new -Wno-unused-but-set-variable -Wno-maybe-uninitialized -fno-math-errno -fno-trapping-math -Werror=format -Werror=cast-function-type -Wno-stringop-overflow, LAPACK_INFO=mkl, PERF_WITH_AVX=1, PERF_WITH_AVX2=1, PERF_WITH_AVX512=1, TORCH_VERSION=1.13.0, USE_CUDA=ON, USE_CUDNN=ON, USE_EXCEPTION_PTR=1, USE_GFLAGS=OFF, USE_GLOG=OFF, USE_MKL=ON, USE_MKLDNN=ON, USE_MPI=OFF, USE_NCCL=ON, USE_NNPACK=ON, USE_OPENMP=ON, USE_ROCM=OFF, 

TorchVision: 0.14.0+cu117
OpenCV: 4.7.0
MMEngine: 0.7.4
MMCV: 2.0.0rc4
MMCV Compiler: GCC 9.3
MMCV CUDA Compiler: 11.7
------------------------------------------------------------


进程已结束,退出代码0

至此就安装完成了~~

报错:from mmcv import Config

参考帖子:https://github.com/open-mmlab/mmcv/issues/2757
需要安装低版本的 MMCV,版本小于2.0.0。


pip install openmim
mim install "mmcv-full<2.0.0"
### 安装mmcv版本0.9与Python 3.6环境 要在Python 3.6环境中安装特定版本的 `mmcv`(即版本0.9),可以按照以下方法操作: #### 方法一:通过pip安装指定版本 如果目标机器已配置好支持Python 3.6的pip工具,则可以通过命令行直接安装所需的 `mmcv` 版本。 运行以下命令来安装 `mmcv==0.9`: ```bash pip install mmcv==0.9 ``` 此命令会自动下载并安装对应版本的 `mmcv` 库到当前激活的Python虚拟环境中[^1]。 #### 方法二:验证依赖项兼容性 由于某些库可能对不同版本的Python存在兼容性问题,在执行上述命令之前,建议先确认所使用的Python解释器是否满足最低要求。对于Python 3.6的支持情况,通常需要查阅官方文档或源码仓库中的说明文件以获取更详细的指导信息[^2]。 另外需要注意的是,部分深度学习框架及其扩展模块可能会绑定特定CUDA驱动程序或者cuDNN SDK版本号,请确保本地开发平台已经正确设置了这些必要的硬件加速组件[^3]。 #### 方法三:手动编译安装(可选) 当预构建包无法适用于特殊场景时,可以选择从源代码开始自行构建适合自己的软件副本。具体流程如下所示: 1. **克隆项目存储库** 使用Git客户端拉取最新版源码至工作目录下: ```bash git clone https://github.com/open-mmlab/mmcv.git cd mmcv ``` 2. **切换分支/标签** 找到对应的release tag名称, 并检出该历史提交记录作为基础进行后续定制化修改. ```bash git checkout tags/v0.9 -b v0.9-branch ``` 3. **准备环境变量** 设置一些全局参数以便于交叉编译过程顺利开展. 4. **启动makefile脚本** 根据提示逐步完成整个组装环节直至最终产物生成完毕为止. 以上便是关于如何利用Python 3.6成功部署MMDetection核心组成部分之一——MMCV Version 0.9 的解决方案概述。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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