MMDetection的安装

依赖 — MMDetection 2.25.1 文档

依赖

• Linux 和 macOS （Windows 理论上支持）

• Python 3.6+

• PyTorch 1.3+

• CUDA 9.2+ （如果基于 PyTorch 源码安装，也能够支持 CUDA 9.0）

• GCC 5+

• MMCV

MMDetection 和 MMCV 版本兼容性如下所示，需要安装正确的 MMCV 版本以避免安装出现问题。

MMDetection 版本	MMCV 版本
master	mmcv-full>=1.3.17, \<1.6.0
2.25.1	mmcv-full>=1.3.17, \<1.6.0
2.25.0	mmcv-full>=1.3.17, \<1.6.0
2.24.1	mmcv-full>=1.3.17, \<1.6.0
2.24.0	mmcv-full>=1.3.17, \<1.6.0
2.23.0	mmcv-full>=1.3.17, \<1.5.0
2.22.0	mmcv-full>=1.3.17, \<1.5.0
2.21.0	mmcv-full>=1.3.17, \<1.5.0
2.20.0	mmcv-full>=1.3.17, \<1.5.0
2.19.1	mmcv-full>=1.3.17, \<1.5.0
2.19.0	mmcv-full>=1.3.17, \<1.5.0
2.18.1	mmcv-full>=1.3.17, \<1.4.0
2.18.0	mmcv-full>=1.3.14, \<1.4.0
2.17.0	mmcv-full>=1.3.14, \<1.4.0
2.16.0	mmcv-full>=1.3.8, \<1.4.0
2.15.1	mmcv-full>=1.3.8, \<1.4.0
2.15.0	mmcv-full>=1.3.8, \<1.4.0
2.14.0	mmcv-full>=1.3.8, \<1.4.0
2.13.0	mmcv-full>=1.3.3, \<1.4.0
2.12.0	mmcv-full>=1.3.3, \<1.4.0
2.11.0	mmcv-full>=1.2.4, \<1.4.0
2.10.0	mmcv-full>=1.2.4, \<1.4.0
2.9.0	mmcv-full>=1.2.4, \<1.4.0
2.8.0	mmcv-full>=1.2.4, \<1.4.0
2.7.0	mmcv-full>=1.1.5, \<1.4.0
2.6.0	mmcv-full>=1.1.5, \<1.4.0
2.5.0	mmcv-full>=1.1.5, \<1.4.0
2.4.0	mmcv-full>=1.1.1, \<1.4.0
2.3.0	mmcv-full==1.0.5
2.3.0rc0	mmcv-full>=1.0.2
2.2.1	mmcv==0.6.2
2.2.0	mmcv==0.6.2
2.1.0	mmcv>=0.5.9, \<=0.6.1
2.0.0	mmcv>=0.5.1, \<=0.5.8

**注意：**如果已经安装了 mmcv，首先需要使用 pip uninstall mmcv 卸载已安装的 mmcv，如果同时安装了 mmcv 和 mmcv-full，将会报 ModuleNotFoundError 错误。

安装流程

从零开始设置脚本

假设当前已经成功安装 CUDA 10.1，这里提供了一个完整的基于 conda 安装 MMDetection 的脚本。您可以参考下一节中的分步安装说明。

conda create -n openmmlab python=3.7 pytorch==1.6.0 cudatoolkit=10.1 torchvision -c pytorch -y
conda activate openmmlab
pip install openmim
mim install mmcv-full
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .

准备环境

1. 使用 conda 新建虚拟环境，并进入该虚拟环境；

   conda create -n open-mmlab python=3.7 -y
   conda activate open-mmlab

基于 PyTorch 官网安装 PyTorch 和 torchvision，例如：

conda install pytorch torchvision -c pytorch

注意：需要确保 CUDA 的编译版本和运行版本匹配。可以在 PyTorch 官网查看预编译包所支持的 CUDA 版本。

例 1 例如在 /usr/local/cuda 下安装了 CUDA 10.1， 并想安装 PyTorch 1.5，则需要安装支持 CUDA 10.1 的预构建 PyTorch：

conda install pytorch cudatoolkit=10.1 torchvision -c pytorch

例 2 例如在 /usr/local/cuda 下安装了 CUDA 9.2， 并想安装 PyTorch 1.3.1，则需要安装支持 CUDA 9.2 的预构建 PyTorch：

conda install pytorch=1.3.1 cudatoolkit=9.2 torchvision=0.4.2 -c pytorch

1. 如果不是安装预构建的包，而是从源码中构建 PyTorch，则可以使用更多的 CUDA 版本，例如 CUDA 9.0。

安装 MMDetection

我们建议使用 MIM 来安装 MMDetection：

pip install openmim
mim install mmdet

MIM 能够自动地安装 OpenMMLab 的项目以及对应的依赖包。

或者，可以手动安装 MMDetection：

1. 安装 mmcv-full，我们建议使用预构建包来安装：

   pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html

需要把命令行中的 {cu_version} 和 {torch_version} 替换成对应的版本。例如：在 CUDA 11 和 PyTorch 1.7.0 的环境下，可以使用下面命令安装最新版本的 MMCV：

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html

请参考 MMCV 获取不同版本的 MMCV 所兼容的的不同的 PyTorch 和 CUDA 版本。同时，也可以通过以下命令行从源码编译 MMCV：

git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
MMCV_WITH_OPS=1 pip install -e .  # 安装好 mmcv-full
cd ..

或者，可以直接使用命令行安装：

pip install mmcv-full

PyTorch 在 1.x.0 和 1.x.1 之间通常是兼容的，故 mmcv-full 只提供 1.x.0 的编译包。如果你的 PyTorch 版本是 1.x.1，你可以放心地安装在 1.x.0 版本编译的 mmcv-full。

# 我们可以忽略 PyTorch 的小版本号
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7/index.html

安装 MMDetection：

你可以直接通过如下命令从 pip 安装使用 mmdetection:

pip install mmdet

或者从 git 仓库编译源码

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

安装额外的依赖以使用 Instaboost, 全景分割, 或者 LVIS 数据集

# 安装 instaboost 依赖
pip install instaboostfast
# 安装全景分割依赖
pip install git+https://github.com/cocodataset/panopticapi.git
# 安装 LVIS 数据集依赖
pip install git+https://github.com/lvis-dataset/lvis-api.git
# 安装 albumentations 依赖
pip install -r requirements/albu.txt

注意：

(1) 按照上述说明，MMDetection 安装在 dev 模式下，因此在本地对代码做的任何修改都会生效，无需重新安装；

(2) 如果希望使用 opencv-python-headless 而不是 opencv-python， 可以在安装 MMCV 之前安装；

(3) 一些安装依赖是可以选择的。例如只需要安装最低运行要求的版本，则可以使用 pip install -v -e . 命令。如果希望使用可选择的像 albumentations 和 imagecorruptions 这种依赖项，可以使用 pip install -r requirements/optional.txt 进行手动安装，或者在使用 pip 时指定所需的附加功能（例如 pip install -v -e .[optional]），支持附加功能的有效键值包括 all、tests、build 以及 optional 。

(4) 如果希望使用 albumentations，我们建议使用 pip install -r requirements/albu.txt 或者 pip install -U albumentations --no-binary qudida,albumentations 进行安装。 如果简单地使用 pip install albumentations>=0.3.2 进行安装，则会同时安装 opencv-python-headless（即便已经安装了 opencv-python 也会再次安装）。我们建议在安装 albumentations 后检查环境，以确保没有同时安装 opencv-python 和 opencv-python-headless，因为同时安装可能会导致一些问题。更多细节请参考官方文档。

只在 CPU 安装

我们的代码能够创建在只使用 CPU 的环境（CUDA 不可用）。

在CPU模式下，可以进行模型训练（需要 MMCV 版本 >= 1.4.4)、测试或者推理，然而以下功能将在 CPU 模式下不能使用：

• Deformable Convolution

• Modulated Deformable Convolution

• ROI pooling

• Deformable ROI pooling

• CARAFE: Content-Aware ReAssembly of FEatures

• SyncBatchNorm

• CrissCrossAttention: Criss-Cross Attention

• MaskedConv2d

• Temporal Interlace Shift

• nms_cuda

• sigmoid_focal_loss_cuda

• bbox_overlaps

因此，如果尝试使用包含上述操作的模型进行训练/测试/推理，将会报错。下表列出了由于依赖上述算子而无法在 CPU 上运行的相关模型：

操作	模型
Deformable Convolution/Modulated Deformable Convolution	DCN、Guided Anchoring、RepPoints、CentripetalNet、VFNet、CascadeRPN、NAS-FCOS、DetectoRS
MaskedConv2d	Guided Anchoring
CARAFE	CARAFE
SyncBatchNorm	ResNeSt

验证

为了验证是否正确安装了 MMDetection 和所需的环境，我们可以运行示例的 Python 代码来初始化检测器并推理一个演示图像：

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/` 文档下
# 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 = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'
device = 'cuda:0'
# 初始化检测器
model = init_detector(config_file, checkpoint_file, device=device)
# 推理演示图像
inference_detector(model, 'demo/demo.jpg')

如果成功安装 MMDetection，则上面的代码可以完整地运行。