7.1 KiB

Raw Blame History

安装教程

依赖包

Linux (Windows is not officially supported)
Python 3.6+
PyTorch 1.5+
CUDA 9.2+
GCC 5+
mmcv 1.4.2+
mmcls 0.21.0+
mmdet 2.16.0+
mmseg 0.20.2+

下表显示了与 MMSelfSup 适配的 MMCV, MMClassification, MMDetection 和 MMSegmentation 的版本号。为避免安装过程中出现问题，请参照下表安装适配的版本。

MMSelfSup version	MMCV version	MMClassification version	MMSegmentation version	MMDetection version
0.9.0 (master)	mmcv-full >= 1.4.2	mmcls >= 0.21.0	mmseg >= 0.20.2	mmdet >= 2.16.0
0.8.0	mmcv-full >= 1.4.2	mmcls >= 0.21.0	mmseg >= 0.20.2	mmdet >= 2.16.0
0.7.1	mmcv-full >= 1.3.16	mmcls >= 0.19.0, <= 0.20.1	mmseg >= 0.20.2	mmdet >= 2.16.0
0.6.0	mmcv-full >= 1.3.16	mmcls >= 0.19.0	mmseg >= 0.20.2	mmdet >= 2.16.0
0.5.0	mmcv-full >= 1.3.16	/	mmseg >= 0.20.2	mmdet >= 2.16.0

注意:

如果您已经安装了 mmcv, 您需要运行 pip uninstall mmcv 来卸载已经安装的 mmcv。如果您在本地同时安装了 mmcv 和 mmcv-full, ModuleNotFoundError 将会抛出。
由于 MMSelfSup 从 MMClassification 引入了部分网络主干，所以您在使用 MMSelfSup 前必须安装 MMClassification。
如果您不需要 MMDetection 和 MMSegmentation 的基准评测，则安装它们不是必须的。

配置环境

首先您需要用以下命令安装一个 conda 的虚拟环境，并激活它
```
conda create -n openmmlab python=3.7 -y
conda activate openmmlab
```
请参考官方教程安装 torch 和 torchvision, 例如您可以使用以下命令:
```
conda install pytorch torchvision -c pytorch
```
请确保您的 PyTorch 版本和 CUDA 版本匹配，具体您可以参考 PyTorch 官网。

比如，您在 /usr/local/cuda 下安装了 CUDA 10.1，同时您想安装 PyTorch 1.7, 您可以使用以下命令安装适配 CUDA 10.1 的 PyTorch 预编译包。
```
conda install pytorch==1.7.0 torchvision==0.8.0 cudatoolkit=10.1 -c pytorch
```
如果您选择从源编译 PyTorch 包，而不是选择预编译包，那么您在 CUDA 版本上拥有更多的选择，比如 9.0。

安装 MMSelfSup

安装 MMCV 和 MMClassification
```
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html
```
请将上面链接中 {cu_version} 和 {torch_version} 替换成您想要的版本。比如, 安装最新版本 mmcv-full，同时适配 CUDA 11.0 和 PyTorch 1.7.x, 可以使用以下命令:
```
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7/index.html
```
- PyTorch 在 1.x.0 和 1.x.1 之间通常是兼容的，故 mmcv-full 只提供 1.x.0 的编译包。如果您的 PyTorch 版本是 1.x.1，您可以放心地安装在 1.x.0 版本编译的 mmcv-full。
您可以从这里查找适配不同 PyTorch 和 CUDA 版本的 MMCV 版本。

除此之外，您可以选择从源编译 MMCV，具体请参考 MMCV安装文档。

您可以使用以下命令安装 MMClassification：
```
pip install mmcls
```
克隆 MMSelfSup 并且安装
```
git clone https://github.com/open-mmlab/mmselfsup.git
cd mmselfsup
pip install -v -e .
```
注意:
- 当您指定 -e 或 develop参数, MMSelfSup 采用开发者安装模式, 任何改动将会立即生效，而无需重新安装。
安装 MMSegmentation 和 MMDetection

您可以使用以下命令安装 MMSegmentation 和 MMDetection:
```
pip install mmsegmentation mmdet
```
除了使用 pip 安装 MMSegmentation 和 MMDetection, 您也可以使用 mim, 例如:
```
pip install openmim
mim install mmdet
mim install mmsegmentation
```

从零开始安装脚本

下面脚本提供了使用 conda 端到端安装 MMSelfSup 的所有命令。

conda create -n openmmlab python=3.7 -y
conda activate openmmlab

conda install -c pytorch pytorch torchvision -y

# install the latest mmcv
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu101/torch1.7.0/index.html

# install mmdetection mmsegmentation
pip install mmsegmentation mmdet

git clone https://github.com/open-mmlab/mmselfsup.git
cd mmselfsup
pip install -v -e .

另一种选择: 使用 Docker

我们提供了一个配置好所有环境的 Dockerfile。

# build an image with PyTorch 1.6.0, CUDA 10.1, CUDNN 7.
docker build -f ./docker/Dockerfile --rm -t mmselfsup:torch1.10.0-cuda11.3-cudnn8 .

重要: 请确保您安装了 nvidia-container-toolkit。

运行下面命令:

docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/workspace/mmselfsup/data mmselfsup:torch1.10.0-cuda11.3-cudnn8 /bin/bash

{DATA_DIR} 是保存你所有数据集的根目录。

安装校验

走完上面的步骤，为了确保您正确安装了 MMSelfSup 以及其各种依赖库，请使用下面脚本来完成校验：

import torch

from mmselfsup.models import build_algorithm

model_config = dict(
    type='Classification',
    backbone=dict(
        type='ResNet',
        depth=50,
        in_channels=3,
        num_stages=4,
        strides=(1, 2, 2, 2),
        dilations=(1, 1, 1, 1),
        out_indices=[4],  # 0: conv-1, x: stage-x
        norm_cfg=dict(type='BN'),
        frozen_stages=-1),
    head=dict(
        type='ClsHead', with_avg_pool=True, in_channels=2048,
        num_classes=1000))

model = build_algorithm(model_config).cuda()

image = torch.randn((1, 3, 224, 224)).cuda()
label = torch.tensor([1]).cuda()

loss = model.forward_train(image, label)

如果您能顺利运行上面脚本，恭喜您已成功配置好所有环境。

使用不同版本的 MMSelfSup

如果在您本地安装了多个版本的 MMSelfSup, 我们推荐您为这多个版本创建不同的虚拟环境。

另外一个方式就是在您程序的入口脚本处，插入以下代码片段 (train.py, test.py 或则其他任何程序入口脚本)

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

或则在不同版本的 MMSelfSup 的主目录中运行以下命令：

export PYTHONPATH="$(pwd)":$PYTHONPATH

7.1 KiB Raw Blame History Unescape Escape