深度学习计算机视觉开源系统OpenMMLab（mmsegmentation、mmdetection、mmpose）环境配置【详细、可运行】

2024-07-17 17:06| 来源: 网络整理| 查看: 265

OpenMMLab（mmsegmentation、mmdetection、mmpose）环境配置 OpenMMLab简介优势：一、Windows/Linux下环境配置（以mmsegmentation v1.2.2（最新版）为例）0. 确认安装版本信息1）确认电脑显卡版本2）确认mmcv对应版本3）确认版本 1. 安装CUDA和cuDNN2. 创建conda环境，下载pytorch3. 安装 mmcv4. 安装 MMSegmentation5. 添加环境变量（不一定要做）二、检验配置是否成功1. 下载配置文件和模型文件2. 推理验证

OpenMMLab 简介

链接: OpenMMLab 在这里插入图片描述 OpenMMLab基于PyTorch开发了MMEngine提供通用训练和评估引擎，MMCV提供神经网络算子和数据转换，作为整个项目的基础。自2018年10月首次发布以来，OpenMMLab已发布30多个视觉库，实现了300多个算法，并包含2000多个预训练模型。

优势：提供高质量的库，降低算法重新实现的难度创建针对各种后端和设备的高效部署工具链为计算机视觉研发奠定坚实的基础通过全栈工具链弥合学术研究和工业应用之间的差距一、Windows/Linux下环境配置（以mmsegmentation v1.2.2（最新版）为例） 0. 确认安装版本信息 1）确认电脑显卡版本

命令行窗口输入：

nvidia-smi

查看显卡支持的最高CUDA的版本，根据CUDA版本确认cudnn版本，先不下载在这里插入图片描述我这里最高支持12.3版本

2）确认mmcv对应版本

https://download.openmmlab.com/mmcv/dist/cu118/torch2.1.0/index.html 替换路径中的cu118、torch2.1.0，先搜有没有对应的whl文件，（mmsegmentationV1.2.2要求pytorch版本在1.13以上），这是openmmlab提供的对应cuda、torch版本的mmcv预编译软件包，有对应版本，后面方便下载（没有对应torch和cuda版本的预编译的whl文件，则从源码开始编译的。后面可以看到下载的是个tar.gz文件而不是whl文件，从源码开始编译很慢）

3）确认版本

经过上两步，我这里确认使用的版本如下： CUDA：11.8 cuDNN：选择cuDNNV8.x.x版本的for CUDA11.x版本 pytorch：2.1.0

1. 安装CUDA和cuDNN

在base环境中安装CUDA和cuDNN，这里不赘述，可以自行搜索安装教程 CUDA：https://developer.nvidia.com/cuda-downloads cuDNN：https://developer.nvidia.com/rdp/cudnn-download 先下载安装CUDA，再将cuDNN中的文件复制到CUDA的对应文件夹下即可

2. 创建conda环境，下载pytorch

新建conda环境，并激活：

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

安装前面确定的pytorch版本：链接: pytorch各版本下载命令我这里是：

conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia 3. 安装 mmcv

依次执行以下命令，如果前面版本选择没问题，这里应该比较顺利：

pip install -U openmim mim install mmengine mim install "mmcv>=2.0.0" 4. 安装 MMSegmentation

依次执行以下命令安装分割库文件：

git clone -b main https://github.com/open-mmlab/mmsegmentation.git cd mmsegmentation pip install -v -e . pip install ftfy pip install regex 5. 添加环境变量（不一定要做）

如果报错与CUDA_HOME有关则添加系统环境变量：变量名：CUDA_HOME 变量值：pathtoCUDA\CUDA\v11.x

二、检验配置是否成功 1. 下载配置文件和模型文件

在mmsegmentation文件夹路径下运行：

mim download mmsegmentation --config pspnet_r50-d8_4xb2-40k_cityscapes-512x1024 --dest .

将mmseg\models\losses\cross_entropy_loss.py文件中：在第19行和第240行修改avg_non_ignore，改为avg_non_ignore=True。运行：

2. 推理验证

在mmsegmentation文件夹路径下运行

python demo/image_demo.py demo/demo.png configs/pspnet/pspnet_r50-d8_4xb2-40k_cityscapes-512x1024.py pspnet_r50-d8_512x1024_40k_cityscapes_20200605_003338-2966598c.pth --device cuda:0 --out-file result.jpg

在当前文件夹中将看到一个新图像 result.jpg，其中所有目标都覆盖了分割 mask: 在这里插入图片描述

安装成功！这个报错不用管:

D:\software\anaconda3\envs\openmmlab\lib\site-packages\mmengine\visualization\visualizer.py:196: UserWarning: Failed to add , please provide the `save_dir` argument. warnings.warn(f'Failed to add {vis_backend.__class__}, '

如果报错：

assert (mmcv_min_version

【本文地址】

公司简介

联系我们

今日新闻

推荐新闻

专题文章