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】

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cuDNN
  • 2. 创建conda环境，下载pytorch
  • 3. 安装 mmcv
  • 4. 安装 MMSegmentation
  • 5. 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

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

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:

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 <class 'mmengine.visualization.vis_backend.LocalVisBackend'>, please provide the `save_dir` argument.   warnings.warn(f'Failed to add {vis_backend.__class__}, ' 

如果报错：

assert (mmcv_min_version <= mmcv_version < mmcv_max_version), \ AssertionError: MMCV==2.2.0 is used but incompatible. Please install mmcv>=2.0.0rc4. 

修改mmsegmentation\mmseg_init_.py中的：