MMDetection安装实战教程

伪_装

已于 2025-01-15 15:53:15 修改

阅读量1.9k

点赞数 29

分类专栏：计算机视觉实战文章标签： mmdet openmmlabel DETR

于 2025-01-15 15:52:42 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_62828995/article/details/145161980

版权

计算机视觉同时被 2 个专栏收录

17 篇文章

订阅专栏

实战

7 篇文章

订阅专栏

MMDetection 支持在 Linux，Windows 和 macOS 上运行，其实在 Windows 和 Linux 上配置环境区别不大，建议有条件还是在 Linux 上配置，它需要 Python 3.7 以上，CUDA 9.2 以上和 PyTorch1.8 及其以上。

创建 `Conda` 虚拟环境

conda create --name mmdet python=3.8 -y
conda activate mmdet

安装 `PyTorch`

首先查看自己电脑的 CUDA 版本

nvidia-smi

输出：

# nvidia-smi
Tue Dec 17 01:31:35 2024       
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 535.104.12             Driver Version: 535.104.12   CUDA Version: 12.2     |
|-----------------------------------------+----------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |         Memory-Usage | GPU-Util  Compute M. |
|                                         |                      |               MIG M. |
|=========================================+======================+======================|
|   0  NVIDIA A800 80GB PCIe          On  | 00000000:38:00.0 Off |                    0 |
| N/A   73C    P0             251W / 300W |  70007MiB / 81920MiB |    100%      Default |
|                                         |                      |             Disabled |
+-----------------------------------------+----------------------+----------------------+
                                                                                         
+---------------------------------------------------------------------------------------+
| Processes:                                                                            |
|  GPU   GI   CI        PID   Type   Process name                            GPU Memory |
|        ID   ID                                                             Usage      |
|=======================================================================================|
+---------------------------------------------------------------------------------------+

查看自己的 CUDA 版本，我的是 CUDA12.2，但是安装与 12.2 对应的 Torch 时，后面会出现与 mmcv 版本不匹配的问题，从而导致安装失败。因此，我在这里选择了 CUDA 11.8 版本的 Torch，pytorch 的下载链接在这里（PyTorch 以前版本），往下拉，选择合适的 pytorch。虽然现在已经到了 2.X 的 PyTorch，但是 mmcv 的版本更新并没有 PyTorch 快，因此，为了与 mmcv 保持版本对应一致，这里选择了 2.1.0 版本的 Torch。

# CUDA 11.8
conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia

这里注意，其实服务器（本机）的 CUDA 版本是 12.2，但是我们可以选择比 12.2 小的版本，因为在虚拟环境中会自己再安装一个 PyTorch 版本的 CUDA 版本，打印安装包为例：

conda list cuda

(mmdet) conda list torch
# packages in environment at /opt/conda/envs/mmdet:
#
# Name                    Version                   Build  Channel
torch                     2.1.0+cu118              pypi_0    pypi
torchaudio                2.1.0+cu118              pypi_0    pypi
torchvision               0.16.0+cu118             pypi_0    pypi

我们可以看到 cuda11.8 和 torch2.1.0 已经安装完成，下面我们测试是否安装成功

python -c "import torch; print(torch.cuda.is_available())"

或者：

(mmyolo) python      
Python 3.8.20 (default, Oct  3 2025, 15:47:27) 
[GCC 11.2.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print (torch.cuda.is_available())
True
>>> exit()

显示为 True 则表示安装成功，若显示为 False 则未安装成功，需要排查原因重新安装。

安装 `mmcv`

首先要安装 mim、 mmengine

pip install -U openmim
mim install mmengine

安装mmcv这里需要注意一下，因为非常容易出错，需要选择合适的版本，选择版本的地址在这里（mmcv版本），mmcv 建议不要选择太高，最好在 2.0.0-2.1 之间。因为在上一步的安装中，我们安装的是 torch2.1.0 版本，这里一步选择下拉框中的选择 cuda11.8 ，torch2.1.x 以及后面 mmcv2.1.0，这几个一定保持对应，否则后面再安装完成后测试的时候，会因为版本不对应出错。

安装命令：

pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html

当然这里也可以选择torch别的版本，截止目前，mmdetection中mmcv支持的最高torch版本是2.1.x

安装 mmdet

方案 a：如果你开发并直接运行 mmdet，从源码安装它：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e .
# "-v" 指详细说明，或更多的输出
# "-e" 表示在可编辑模式下安装项目，因此对代码所做的任何本地修改都会生效，从而无需重新安装。

方案 b：如果你将 mmdet 作为依赖或第三方 Python 包，使用 MIM 安装：

mim install mmdet

注：如果因国内安装速度限制问题，可-i 命令添加代理提高安装速度。

mim install mmdet -i https://pypi.tuna.tsinghua.edu.cn/simple

验证安装

为了验证 MMDetection 是否安装正确，我们提供了一些示例代码来执行模型推理。

步骤 1. 下载 mmdet 源码文件

git clone https://github.com/open-mmlab/mmdetection.git                                                                

cd /to/path/mmdetection

步骤 2. 我们还需要下载配置文件和模型权重文件。

mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .

下载将需要几秒钟或更长时间，这取决于你的网络环境。完成后，你会在当前文件夹中发现两个文件 rtmdet_tiny_8xb32-300e_coco.py 和 rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth。

步骤 3. 推理验证。

方案 a：如果你通过源码安装的 MMDetection，那么直接运行以下命令进行验证：

python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu

你会在当前文件夹中的 outputs/vis 文件夹中看到一个新的图像 demo.jpg，图像中包含有网络预测的检测框。

方案 b：如果你通过 MIM 安装的 MMDetection，那么可以打开你的 Python 解析器，复制并粘贴以下代码：

from mmdet.apis import init_detector, inference_detector  

config_file = 'rtmdet_tiny_8xb32-300e_coco.py'  
checkpoint_file = 'rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth'  
model = init_detector(config_file, checkpoint_file, device='cpu')  # or device='cuda:0'  
inference_detector(model, 'demo/demo.jpg')

你将会看到一个包含 DetDataSample 的列表，预测结果在 pred_instance 里，包含有检测框，类别和得分。

[!error]- Error
问题 1：
UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argume 
解决方案：
找到functional.py文件报错位置，修改加上代码indexing = ‘ij’。
return _VF.meshgrid(tensors, **kwargs,indexing = 'ij')  # type: ignore[attr-defined]