mmpretrain

安装

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

提示：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。

a. 创建 conda 虚拟环境，并激活

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

b. 按照官方指南安装 PyTorch 和 TorchVision，如：

conda install pytorch torchvision -c pytorch

注：请确保 CUDA 编译版本和运行版本相匹配用户可以参照 PyTorch 官网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 版本，则需要安装 CUDA 10.1 下预编译的 PyTorch。

conda install pytorch cudatoolkit=10.1 torchvision -c pytorch

例 2：如果用户的 /usr/local/cuda 文件夹下已安装 CUDA 9.2 版本，并且想要安装 PyTorch 1.3.1 版本，则需要安装 CUDA 9.2 下预编译的 PyTorch。

conda install pytorch=1.3.1 cudatoolkit=9.2 torchvision=0.4.2 -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

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

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"

提示：

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）
如果希望使用 opencv-python-headless 而不是 opencv-python，可以在安装 mmcv 之前提前安装。

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 .

注意： 确保已经安装了 nvidia-container-toolkit.

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

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