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+
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。
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 .
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
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。
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:
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。
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 |
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。