6.6 KiB

Raw Blame History

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
dev	mmcv>=1.4.8, <1.6.0
0.23.0 (master)	mmcv>=1.4.2, <1.6.0
0.22.1	mmcv>=1.4.2, <1.6.0
0.21.0	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
0.15.0	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 `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

创建 conda 虚拟环境，并激活

conda create -n open-mmlab python=3.8 -y
conda activate open-mmlab

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。
```
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。
```
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）。
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，你可以根据该教程完成安装或编译。

一个更好的选择是使用 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。
```
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：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）：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）。

克隆最新的 MMClassification 仓库

git clone https://github.com/open-mmlab/mmclassification.git
cd mmclassification

【可选】签出到 dev 分支
```
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。
安装依赖包和 MMClassification

使用 MIM，MIM 会自动安装适合你环境的 mmcv-full。
```
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。
```
pip install -e .
```

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 1.8.1, 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 .

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: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：

PYTHONPATH="$(dirname $0)/..":$PYTHONPATH

6.6 KiB Raw Blame History Unescape Escape

安装