mirror of
https://github.com/open-mmlab/mmclassification.git
synced 2025-06-03 21:53:55 +08:00
162 lines
6.3 KiB
Markdown
162 lines
6.3 KiB
Markdown
# 安装
|
||
|
||
## 安装依赖包
|
||
|
||
- Python 3.6+
|
||
- PyTorch 1.5+
|
||
- [MMCV](https://github.com/open-mmlab/mmcv)
|
||
|
||
MMClassification 和 MMCV 的适配关系如下，请安装正确版本的 MMCV 以避免安装问题
|
||
|
||
| MMClassification 版本 | MMCV 版本 |
|
||
|:---------------------:|:---------------------:|
|
||
| dev | mmcv>=1.4.6, <=1.5.0 |
|
||
| 0.21.0 (master)| mmcv>=1.4.2, <=1.5.0 |
|
||
| 0.20.1 | mmcv>=1.4.2, <=1.5.0 |
|
||
| 0.19.0 | mmcv>=1.3.16, <=1.5.0 |
|
||
| 0.18.0 | mmcv>=1.3.16, <=1.5.0 |
|
||
| 0.17.0 | mmcv>=1.3.8, <=1.5.0 |
|
||
| 0.16.0 | mmcv>=1.3.8, <=1.5.0 |
|
||
| 0.15.0 | mmcv>=1.3.8, <=1.5.0 |
|
||
| 0.14.0 | mmcv>=1.3.8, <=1.5.0 |
|
||
| 0.13.0 | mmcv>=1.3.8, <=1.5.0 |
|
||
| 0.12.0 | mmcv>=1.3.1, <=1.5.0 |
|
||
| 0.11.1 | mmcv>=1.3.1, <=1.5.0 |
|
||
| 0.11.0 | mmcv>=1.3.0 |
|
||
| 0.10.0 | mmcv>=1.3.0 |
|
||
| 0.9.0 | mmcv>=1.1.4 |
|
||
| 0.8.0 | mmcv>=1.1.4 |
|
||
| 0.7.0 | mmcv>=1.1.4 |
|
||
| 0.6.0 | mmcv>=1.1.4 |
|
||
|
||
```{note}
|
||
由于 `dev` 分支处于频繁开发中，`mmcv` 版本依赖可能不准确。如果您在使用
|
||
`dev` 分支时遇到问题，请尝试更新 `mmcv` 到最新版。
|
||
```
|
||
|
||
## 安装依赖环境
|
||
|
||
1. 创建 conda 虚拟环境，并激活
|
||
|
||
```shell
|
||
conda create -n open-mmlab python=3.8 -y
|
||
conda activate open-mmlab
|
||
```
|
||
|
||
2. 按照 [官方指南](https://pytorch.org/) 安装 PyTorch 和 TorchVision，如：
|
||
|
||
```shell
|
||
conda install pytorch torchvision -c pytorch
|
||
```
|
||
|
||
```{note}
|
||
请确保 CUDA 编译版本和运行版本相匹配。
|
||
可以参照 [PyTorch 官网](https://pytorch.org/) 对预编译包所支持的 CUDA 版本进行核对。
|
||
```
|
||
|
||
*例 1*：如果你已经安装了 CUDA 10.1 版本，并且想要安装 PyTorch 1.5.1 版本，
|
||
则需要安装 CUDA 10.1 下预编译的 PyTorch。
|
||
|
||
```shell
|
||
conda install pytorch==1.5.1 torchvision==0.6.1 cudatoolkit=10.1 -c pytorch
|
||
```
|
||
|
||
*例 2*：如果你已经安装了 CUDA 11.3 版本，并且想要安装 PyTorch 1.10.1 版本，
|
||
则需要安装 CUDA 11.3 下预编译的 PyTorch。
|
||
|
||
```shell
|
||
conda install pytorch==1.10.1 torchvision==0.11.2 cudatoolkit=11.3 -c pytorch
|
||
```
|
||
|
||
如果 PyTorch 是由源码进行编译安装（而非直接下载预编译好的安装包），则可以使用更多的 CUDA 版本（如 9.0 版本）。
|
||
|
||
3. 安装 MMCV
|
||
|
||
MMCV 是 MMClassification 的基础库。它有两个版本：
|
||
|
||
- **mmcv**：精简版，不包含 CUDA 算子但包含其余所有特性和功能，类似 MMCV 1.0 之前的版本。如果你不需要使用 CUDA 算子的话，精简版可以作为一个考虑选项。
|
||
- **mmcv-full**：完整版，包含所有的特性以及丰富的开箱即用的 CUDA 算子。注意完整版本可能需要更长时间来编译。
|
||
|
||
如果你希望安装 mmcv-full，你可以根据 [该教程](https://mmcv.readthedocs.io/en/latest/get_started/installation.html) 完成安装或编译。
|
||
|
||
一个更好的选择是使用 [MIM](https://github.com/open-mmlab/mim) 来自动选择适合你的 mmcv-full 版本。在使用 MIM 安装 MMClassification 的时候，它就会自动完成 mmcv-full 的安装。
|
||
|
||
```shell
|
||
pip install openmim
|
||
```
|
||
|
||
## 安装 MMClassification 库
|
||
|
||
根据你的需求，我们支持两种安装模式。
|
||
|
||
- [仅作为 Python 包使用](#仅作为-python-包使用)：该模式下，你只希望在你的项目中调用 MMClassification 的 API，或者导入 MMClassification 中的模块
|
||
- [基于 MMClassification 进行开发（推荐）](#基于-mmclassification-进行开发)：该模式下，你希望基于 MMClassification 框架开发你自己的图像分类任务，需要添加新的功能，比如新的模型或是数据集。并且你可以使用我们提供的所有工具。
|
||
|
||
### 仅作为 Python 包使用
|
||
|
||
如果你已经安装了 MIM，那么只需要使用 `mim install mmcls` 命令来安装 MMClassification。MIM 将会根据你的环境选择安装合适的 mmcv-full 版本。另外，MIM 还提供了一系列其他功能来协助进行训练、参数搜索及模型筛选等。
|
||
|
||
或者，你可以直接通过 pip 来安装，使用 `pip install mmcls` 命令。这种情况下，如果你希望使用 mmcv-full，那么需要提前手动安装 mmcv-full。
|
||
|
||
### 基于 MMClassification 进行开发
|
||
|
||
在该模式下，任何本地修改都会直接生效，不需要重新安装（除非提交了一些 commit，并且希望提升版本号）。
|
||
|
||
1. 克隆最新的 MMClassification 仓库
|
||
|
||
```shell
|
||
git clone https://github.com/open-mmlab/mmclassification.git
|
||
cd mmclassification
|
||
```
|
||
|
||
2. [可选] 签出到 `dev` 分支
|
||
|
||
```shell
|
||
git checkout dev
|
||
```
|
||
|
||
*我需要做这一步吗？* `dev` 分支是开发中的分支，包含了一些试验性的功能。如果你需要这些功能，或者准备参与 MMClassification 开发，那么需要做这一步。
|
||
|
||
2. 安装依赖包和 MMClassification
|
||
|
||
使用 MIM，MIM 会自动安装适合你环境的 mmcv-full。
|
||
|
||
```shell
|
||
mim install -e .
|
||
```
|
||
|
||
或者使用 pip，如果你希望使用 mmcv-full，你需要提前手动安装。
|
||
|
||
```shell
|
||
pip install -e .
|
||
```
|
||
|
||
## 利用 Docker 镜像安装 MMClassification
|
||
|
||
MMClassification 提供 [Dockerfile](https://github.com/open-mmlab/mmclassification/blob/master/docker/Dockerfile) ，可以通过以下命令创建 docker 镜像。
|
||
|
||
```shell
|
||
# 创建基于 PyTorch 1.8.1, CUDA 10.2, CUDNN 7 以及最近版本的 MMCV-full 的镜像 。
|
||
docker build -f ./docker/Dockerfile --rm -t mmcls:latest .
|
||
```
|
||
|
||
```{important}
|
||
请确保已经安装了 [nvidia-container-toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html#docker).
|
||
```
|
||
|
||
运行一个基于上述镜像的容器：
|
||
|
||
```shell
|
||
docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/workspace/mmclassification/data mmcls:latest /bin/bash
|
||
```
|
||
|
||
## 在多个 MMClassification 版本下进行开发
|
||
|
||
MMClassification 的训练和测试脚本已经修改了 `PYTHONPATH` 变量，以确保其能够运行当前目录下的 MMClassification。
|
||
|
||
如果想要运行环境下默认的 MMClassification，用户需要在训练和测试脚本中去除这一行：
|
||
|
||
```shell
|
||
PYTHONPATH="$(dirname $0)/..":$PYTHONPATH
|
||
```
|