4.4 KiB
安装
安装依赖包
- Python 3.6+
- PyTorch 1.5+
- 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 |
|---|---|
| master | 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 |
由于 `master` 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
`master` 分支时遇到问题，请尝试更新 `mmcv` 到最新版。
安装 MMClassification 步骤
a. 创建 conda 虚拟环境，并激活
conda create -n open-mmlab python=3.8 -y
conda activate open-mmlab
b. 按照 官方指南 安装 PyTorch 和 TorchVision，如：
conda install pytorch torchvision -c pytorch
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：如果用户的 /usr/local/cuda 文件夹下已安装 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。
conda install pytorch==1.5.1 torchvision==0.6.1 cudatoolkit=10.1 -c pytorch
例 2：如果用户的 /usr/local/cuda 文件夹下已安装 CUDA 11.3 版本，并且想要安装 PyTorch 1.10.0 版本，
则需要安装 CUDA 11.3 下预编译的 PyTorch。
conda install pytorch==1.10.0 torchvision==0.11.1 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）。
c. 安装 MMClassification 库
稳定版本
我们推荐使用 MIM 进行 MMClassification 的安装。
pip install git+https://github.com/open-mmlab/mim.git
mim install mmcls
MIM 工具可以自动安装 OpenMMLab 旗下的各个项目及其依赖，同时可以协助进行训练、调参和预训练模型下载等。
或者，可以直接通过 pip 进行 MMClassification 的安装：
pip install mmcls
开发版本
首先，克隆最新的 MMClassification 仓库：
git clone https://github.com/open-mmlab/mmclassification.git
cd mmclassification
之后，安装依赖包和 MMClassification：
pip install -e . # 或者 "python setup.py develop"
按照以上步骤，MMClassification 是以 `dev` 模式安装的，任何本地的代码修改都可以直接生效，无需重新安装（除非提交了一些 commit，并且希望提升版本号）
利用 Docker 镜像安装 MMClassification
MMClassification 提供 Dockerfile ，可以通过以下命令创建 docker 镜像。
# 创建基于 PyTorch 1.6.0, CUDA 10.1, CUDNN 7 的镜像。
docker build -f ./docker/Dockerfile --rm -t mmcls:torch1.6.0-cuda10.1-cudnn7 .
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：
docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/workspace/mmclassification/data mmcls:torch1.6.0-cuda10.1-cudnn7 /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：
PYTHONPATH="$(dirname $0)/..":$PYTHONPATH