openmmlab安装库记录

最新推荐文章于 2025-09-16 07:37:14 发布
原创 最新推荐文章于 2025-09-16 07:37:14 发布 · 405 阅读 · 0 ·
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：

#python #pytorch #开发语言

该文章提供了一套步骤来在本地设置开发环境，包括安装Python和PyTorch，使用MIM工具安装MIM、MMCV以及MMClassification和MMDetection。对于OpenMMLabv1.0，需特别注意mim命令的使用，而在v2.0中，需要指定mmcv和mmcls、mmdet的特定版本号。
部署运行你感兴趣的模型镜像

Set up Environment Locally

Check PATH

Should include Step 0. Set up Python and install PyTorch correctly, using either pip or conda

Step 1. Install MIM

pip install openmim
which mim  # to check mim installation

On windows, in Powershell, use

gcm mim

For OpenMMLab v1.0

Step 2. Install MMCV

mim install mmcv-full

Step 3. Install MMClassification and MMDetection

mim install mmcls mmdet

For OpenMMLab v2.0

Step 2. Install MMCV

mim install "mmcv>=2.0.0rc0"

Step 2. Install MMClassification and MMDetection

mim install "mmcls>=1.0.0rc0" "mmdet>=3.0.0rc0"

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

open-mmlab学习笔记
xiaomu_347的博客
05-15 398
OpenMMLab 是一个由香港中文大学多媒体实验室 (MMLab) 发起的开源项目，旨在建立一个通用的、模块化的深度学习模型框架，以便于研究者和开发者能够快速构建和部署深度学习模型。这些框架在计算机视觉领域的研究和应用中发挥了重要作用，帮助研究者和开发者快速实现和部署深度学习模型。: 一个全面的、模块化的、灵活的目标检测工具箱，支持单阶段和双阶段检测器。: 用于语义分割、实例分割和全景分割的框架，提供多种分割网络结构。: 用于生成模型的框架，如条件图像生成、文本到图像生成等。
【OpenMMLab实践】01MMSegmentation官方教程实现过程记录（mmcv，mmsegmentation，torch）
ShiTianlei的博客
11-15 3321
MMSegmentation官方教程实现过程记录（mmcv，mmsegmentation，torch）
OpenMMLab开营笔记
AI浩
06-04 2050
支持超多 OpenMMLab 算法库如：mmcls、mmdet、mmseg、mmedit、mmocr、mmpose、mmdet3d、mmrotate、mmaction2。OpenMMLab深度学习时代最完整的计算机视觉开源算法体系，10+ 视觉方向全面助力产、学、研打通，GitHub 累计获得 55,000+ star。欢迎更多的人加入实战营。
OpenMMLab 计算机视觉基础库 MMCV：版本演进与新特性
最新发布
gitblog_00745的博客
09-16 501
你是否还在为计算机视觉项目中的数据处理、模型构建和部署优化而烦恼？作为OpenMMLab生态的核心基础库，MMCV（OpenMMLab Computer Vision Foundation）自诞生以来就致力于解决这些痛点。本文将深入剖析MMCV的版本演进历程，重点介绍最新版本2.2.0的突破性特性，并通过丰富的代码示例和图表展示其在实际项目中的应用价值。读完本文，你将能够： - 了解MMCV从1...
OpenMMLab第一课
KyireIrvingcurry的博客
06-01 262
本文是MMLab第二期AI实战营的笔记。
OpenMMLab开源库总结——笔记1
m0_47867638的博客
06-11 1万+
支持超多 OpenMMLab 算法库如：mmcls、mmdet、mmseg、mmedit、mmocr、mmpose、mmdet3d、mmrotate、mmaction2。OpenMMLab深度学习时代最完整的计算机视觉开源算法体系，10+ 视觉方向全面助力产、学、研打通，GitHub 累计获得 55,000+ star。欢迎更多的人加入实战营。
Open-mmlab实验踩坑记录
JingY999的博客
01-09 584
尝试方案：①减小batch_size，从32=>16=>8=>4，无法解决；②将GPU个数调整为单个，无法解决；③在创建faiss索引之前对缓存进行清除，有效！报错原因：显存分配不足。在本项目中，具体是在。
（202302）OpenMMLab实战CV壹——算法基础与OpenMMLab入门
raw_inputhello的博客
02-01 411
第一次课程主要分为三部分：计算机视觉基础知识，mmlab开源算法体，计算机视觉、机器学习的基础知识。目前pytorch是相对最受欢迎的深度学习框架。openmmlab即是基于pytorch搭建。再次记录仅作为自己留下的印象。mmdetection（最受欢迎）目标检测、实例分割、全景分割。
OpenMMLab AI训练营第一节课记录
zljzljq的博客
06-01 1785
1.OpenMMLab概述先来段官方介绍：OpenMMLab 浦视 | 是上海人工智能实验室的计算机视觉算法开源体系 OpenMMLab是深度学习时代全球领域最全面、最具影响力的视觉算法开源项目，全球最大最全的开源计算机视觉算法库，为学术和产业界提供一个可跨方向、结构精良、易复现的统一算法工具库。OpenMMLab 已经累计开源了超过 30 个算法库，涵盖分类、检测、分割、视频理解等众多研究领域，拥有超过 300 种算法、2,400 多个预训练模型。
Ubuntu20.04配置Pytorch+OpenMMLab环境过程步骤札记
caiyunffx的博客
03-28 999
Ubuntu20.04配置Pytorch+OpenMMLab环境过程步骤札记确保电脑已连接网络后，点击打开Ubuntu自带的软件更新Software Updater后，点击左下角的Settings进入设置界面，在弹出的对话框中点击选择Additional Drivers选项卡，一般情况下联网后会自动搜索更新可用的NVDIA驱动，选择一个点击右下角Apply Changes等一会儿就OK了。PS.我选的是Using NVIDIA driver metapackage from nvidia-driver-52
精选资源
mmpose:OpenMMLab姿势估计工具箱和基准
03-18
与等其他流行的代码库相比，我们可以实现更快的训练速度和更高的准确性。有关更多信息，请参见 。 支持各种数据集 该工具箱直接支持多个流行且具有代表性的数据集，COCO，AIC，MPII，MPII-TRB，OCHuman等。有关更多...
open-mmlab (segmentation) 开源框架
Eric_Evil的博客
08-09 4811
最早一直想把mmdetection吃掉，但是一只拖延没有搞定，趁着最近休息，从mmsegmentation切入，记录一下学习过程。算了，先记录CVPR2021-SETR的code（https://github.com/fudan-zvg/SETR）吧，他这个是基于老版本的mmsegmetation的主要模块开发的，后续官方有少量变化或未用到的再补充。 1 overview 先上代码结构，主要使用时用到mmseg，tools，configs。 注：mmcv是应该装到本地的，是mm系列的基础库。但是我看代
torchvision详细介绍
热门推荐
frighting_ing的博客
12-10 3万+
前言 深度学习道路漫漫，唯有不断总结，脚踏实地才能造就一番就成，也不断勉励自己，不要放弃，相信自己可以的！！！共勉！！！ torchvision简介 torchvision是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。以下是torchvision的构成： torchvision.datasets: 一些加载数据的函数及常用的数据集接口； torchvision.models: 包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；
暗通道去雾算法原理及实现
frighting_ing的博客
04-06 2万+
1. 算法原理 基本原理来源于何凯明大神的CVPR09的论文Single Image Haze Removal Using Dark Channel Prior 暗通道 所谓暗通道是一个基本假设，这个假设认为，在绝大多数的非天空的局部区域中，某一些像素总会有至少一个颜色通道具有很低的值。这个其实很容易理解，实际生活中造成这个假设的原因有很多，比如汽车，建筑物或者城市中的阴影，或者说色彩鲜艳的物体或表面(比如绿色的树叶，各种鲜艳的花，或者蓝色绿色的睡眠)，颜色较暗的物体或者表面，这些景物的暗通道总是变现为
python常见进制转换方法
frighting_ing的博客
11-14 2万+
其中比较常用到的是python的内置函数进行进制的转换，一般使用内置函数进行转换的时候是先将控制台输入的字符串或者是自定义的字符串先转换为10进制然后将10进制转换为其他的进制，常见的是二进制、十进制、八进制、十六进制之间的转换，其中遵循一个原则是：其他进制转为十进制使用int函数，其他进制转为二进制使用bin函数，其他进制转为八进制使用oct函数，其他进制转为十六进制转为hex函数，并且是借助于10进制作为中间的桥梁进行转换，也就是使用到int()函数.
ResNet详解+PyTorch实现
frighting_ing的博客
11-14 2万+
1.Resnet简介 深度残差网络（Deep residual network, ResNet）的提出是CNN图像史上的一件里程碑事件，由于其在公开数据上展现的优势，作者何凯明也因此摘得CVPR2016最佳论文奖。 Resnet是残差网络(Residual Network)的缩写，该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分，典型的网络有resnet50, resnet101等。Resnet网络证明网络能够向更深（包含更多隐藏层）的方向发展。 解决问题：网络退化 从经验来看
PyTorch载入预训练权重方法和冻结权重方法
frighting_ing的博客
01-10 1万+
载入预训练权重 1. 直接载入预训练权重 简单粗暴法： pretrain_weights_path = "./resnet50.pth" net.load_state_dict(torch.load(pretrain_weights_path)) 如果这里的pretrain_weights与我们训练的网络不同，一般指的是包含大于模型参数时，可以修改为 net.load_state_dict(torch.load(pretrain_weights_path), strict=False) 2. 修改网络结
Python 捕获异常
frighting_ing的博客
02-04 1万+
异常 目标 异常的概念 捕获异常 异常的传递 抛出异常 01. 异常的概念 程序在运行时，如果 Python 解释器 遇到 到一个错误，会停止程序的执行，并且提示一些错误信息，这就是 异常 程序停止执行并且提示错误信息 这个动作，我们通常称之为：抛出(raise)异常 常见异常 异常类型 含义 AssertionError 当 assert 关键字后的条件为假时，程序运行会停止并抛出 AssertionError 异常 AttributeError 当试图访问的对象属
Python __new__方法详解
frighting_ing的博客
02-03 1万+
单例 目标 单例设计模式 __new__ 方法 Python 中的单例 01. 单例设计模式 设计模式 设计模式 是 前人工作的总结和提炼，通常，被人们广泛流传的设计模式都是针对 某一特定问题 的成熟的解决方案 使用 设计模式 是为了可重用代码、让代码更容易被他人理解、保证代码可靠性 单例设计模式 目的 —— 让 类 创建的对象，在系统中 只有 唯一的一个实例 每一次执行 类名() 返回的对象，内存地址是相同的 单例设计模式的应用场景 音乐播放 对象 回收站 对象 打印机 对象 …
计算机视觉与OpenMMLab开源算法体系入门
在此背景下，OpenMMLab应运而生，提供MMDetection、MMClassification、MMSegmentation、MMAction等一系列统一接口的开源库，极大降低了研发门槛，促进了算法复现与工业落地。课程通过微信扫一扫识物、动漫特效合成、...
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

打赏作者

Fighting_1997

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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