MMDetection 安裝

引言

MMDetection是一款優秀的基於PyTorch的深度學習目標檢測工具箱,由香港中文大學(CUHK)多媒體實驗室(mmlab)開發。基本上支持所有當前SOTA二階段的目標檢測算法,比如faster rcnn,mask rcnn,r-fcn,Cascade-RCNN等。讀者可在 PyTorch 環境下測試不同的預訓練模型及訓練新的檢測分割模型。

根據 GitHub 項目所述,MMDetection的主要特徵可以總結為以下幾個方面：

• 模塊化設計：將檢測或者分割任務分解成幾個模塊,通過模塊的組合即可完成相應的任務。
• 支持多個框架,開箱即用：該工具包直接支持多種流行的檢測框架,如 Faster RCNN、Mask RCNN、RetinaNet 等。
• 高效：所有基礎邊界框和掩碼運算都在 GPU 上運行。不同模型的訓練速度大約比 FAIR 的 Detectron 快 5% ~ 20%。
• 技術發展水平： 達到了目前最先進的水平。

翻譯過程中難免有所疏漏,如發現錯誤,希望大家指出,謝謝支持。

目錄

• MMDetection安裝 瞭解如何在計算機上安裝MMDetection
• MMDetection入門 學習有關MMDetection用法的基本教程。
• 基準測試和model zoo 介紹各種模型的訓練環境和基準測試,比較不同模型訓練的各項數據。
• 技術細節 介紹訓練檢測器的主要單元：數據管道,模型和迭代管道。
• 更新日誌

安裝

安裝條件

• Linux(不正式支持Windows)
• Python 3.5+
• PyTorch 1.1或更高版本
• CUDA 9.0或更高
• NCCL 2
• GCC 4.9或更高
• mmcv(https://github.com/open-mmlab/mmcv)

我們已經測試了以下版本的操作系統和軟件：

• OS: Ubuntu 16.04/18.04 and CentOS 7.2
• CUDA: 9.0/9.2/10.0/10.1
• NCCL: 2.1.15/2.2.13/2.3.7/2.4.2
• GCC(G++): 4.9/5.3/5.4/7.3

安裝 mmdetection

a. 創建一個conda虛擬環境並激活它

<code>conda 
create
 -n 
open 
-mmlab python=
3.7
 -y
conda 
activate
 
open
-mmlab/<code>

b. 按照官方說明安裝PyTorch和Torchvision(https://pytorch.org/) ,例如,

<code>
conda
 install pytorch torchvision -c pytorch/<code>

c. 克隆mmdetection存儲庫

<code>git 
clone
 https://github.com/open-mmlab/mmdetection.git
cd
 mmdetection/<code>

d. 安裝構建要求,然後安裝mmdetection。(我們通過github repo安裝pycocotools而不是pypi,因為pypi版本較舊並且與最新的numpy不兼容。)

<code>pip 
install
 -r requirements/build.txt
pip 
install
 
"git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
pip 
install
 -v -e .  /<code>

注意:

1. git commit的id將在步驟d中寫入版本號,例如0.6.0 + 2e7045c。該版本還將保存在經過訓練的模型中。建議你每次從github獲取一些更新時都運行步驟d。如果修改了C++/CUDA代碼,則此步驟為強制性的。
2. 按照上述說明,mmdetection將安裝在dev模式下,對代碼進行的任何本地修改都將生效,而無需重新安裝它(除非你提交了一些提交併希望更新版本號)。
3. 如果要使用 opencv-python-headless 來代替 opencv-python,可以在安裝MMCV之前先安裝它。
4. 一些依賴關係是可選的。只需運行 pip install -v -e .,將只會安裝最低運行時間要求。要使用可選的依賴項如albumentations和imagecorruptions,並使用pip install -r requirements/optional.txt 手動安裝它們,或者在調用pip時指定所需的附加項(例如pip install -v -e .[optional])。對於額外字段的有效鍵為：all,tests,build,和 optional。

另一個選擇: Docker Image

我們提供了一個Dockerfile(https://github.com/open-mmlab/mmdetection/blob/master/docker/Dockerfile)來構建映像。

<code> 
docker
 build -t mmdetection docker//<code>

準備數據集

建議將數據集根符號鏈接到$MMDETECTION/data。如果文件夾結構不同,則可能需要更改配置文件中的相應路徑。

<code>mmdetection
├── mmdet
├── tools
├── configs
├── 
data
│   ├── coco
│   │   ├── annotations
│   │   ├── train2017
│   │   ├── val2017
│   │   ├── test2017
│   ├── cityscapes
│   │   ├── annotations
│   │   ├── train
│   │   ├── 
val
│   ├── VOCdevkit
│   │   ├── VOC2007
│   │   ├── VOC2012
/<code>

必須使用cityscapesScripts工具箱(https://github.com/mcordts/cityscapesScripts)將城市景觀註釋轉換為coco格式。我們計劃提供一個易於使用的轉換腳本。目前,我們建議你遵循maskrcnn-benchmark工具箱(https://github.com/facebookresearch/maskrcnn-benchmark/tree/master/maskrcnn_benchmark/data) 中提供的說明 。使用此腳本時,所有圖像都必須移到同一文件夾中。在linux系統上,例如可以通過以下方式對火車圖像進行處理：

<code>
cd
 
data/cityscapes/
mv
 
train/*/*train/
/<code>

從零開始的安裝腳本

這是一個完整的腳本,用於使用conda設置mmdetection並鏈接數據集路徑(假設你的COCO數據集路徑為$ COCO_ROOT)。

<code>conda 
create
 -n 
open
-mmlab python=
3.7
 -y
conda 
activate
 
open
-mmlab

conda 
install
 -c pytorch pytorch torchvision -y
git 
clone
 https://github.com/
open
-mmlab/mmdetection.git
cd mmdetection
pip 
install
 -r requirements/build.txt
pip 
install
 
"git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
pip 
install
 -v -e .

mkdir 
data
ln
 -s $COCO_ROOT 
data
/<code> 

使用多個MMDetection版本

如果你的機器上有多個mmdetection,並且你想交替使用它們,則建議的方法是創建多個conda環境並對不同版本使用不同的環境。

另一種方法是插入下面的代碼到主腳本(train.py,test.py或任何其他腳本運行)

<code>import 
os
.
path
 as osp
import sys
sys.
path
.
insert
(
0
,osp.join(osp.dirname(osp.abspath(__file__)),
'../'
))/<code>

或者在相應文件夾的終端中運行以下命令以臨時使用當前文件夾。

<code>
export
 PYTHONPATH=`
pwd
`:
$PYTHONPATH
/<code>

關鍵字: conda mmlab git