MMDetection环境安装配置

MMDetection 支持在 Linux，Windows 和 macOS 上运行。它需要 Python 3.7 以上，CUDA 9.2
以上和 PyTorch 1.8 及其以上。

MMDetection 至今也一直更新很多个版本了，但是对于最新的pytorch版本仍然不支持，我安装的时候仍然多次遇到mmcy与pytorch版本不对应的情况，因此总结以下可用的安装方案。

1、创建并激活`Conda` 虚拟环境

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

2、安装Pytorch

首先查看自己电脑的 CUDA 版本

nvidia-smi

输出：
在这里插入图片描述
可以看到当前系统安装了 NVIDIA 驱动程序（版本 570.124.04），并且有两个 NVIDIA RTX A5500 GPU，CUDA 版本为 12.8。

我的是 CUDA12.8，但是安装与 12.8 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

安装成功后可以通过以下命令查看安装的版本信息：

 conda list torch

可以看到我在虚拟环境中再安装了一个 PyTorch 版本的 CUDA 版本：
在这里插入图片描述
验证安装是否成功：

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

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。

3、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。

mmcv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

4、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【推荐】：如果你将 mmdet 作为依赖或第三方 Python 包，使用 MIM 安装：

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

5、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. 我们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 2. 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_detectorconfig_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')