9.2 KiB
基础教程
预备条件
在本节中，我们将演示如何使用 PyTorch 准备环境。
MMSelfSup 在 Linux 上运行（Windows 和 macOS 不受官方支持）。 它需要 Python 3.7+、CUDA 9.2+ 和 PyTorch 1.6+。
如果您有使用 PyTorch 的经验并且已经安装了它，请跳过这一部分并跳到下一个安装环节。否则，您可以按照如下步骤进行准备。
步骤 0. 从官方网站下载并安装 Miniconda。
步骤 1. 创建一个 conda 环境并激活它。
conda create --name openmmlab python=3.8 -y
conda activate openmmlab
步骤 2. 按照官方说明安装 PyTorch，例如：
在 GPU 平台上：
conda install pytorch torchvision -c pytorch
在 CPU 平台上：
conda install pytorch torchvision cpuonly -c pytorch
安装
我们建议用户遵循我们的最佳实践来安装 MMSelfSup。 但是，整个过程是高度可定制的。 有关详细信息，请参阅自定义安装部分。
最佳实践
步骤 0. 使用 MIM 安装 MMEngine 和 MMCV。
pip install -U openmim
mim install mmengine
mim install 'mmcv>=2.0.0rc1'
步骤 1. 安装 MMSelfSup。
根据您的需要，我们支持两种安装方式：
- 从源代码安装（推荐）: 您想开发自己的自监督任务或基于 MMSelfSup 框架的新功能，例如，添加新的数据集或模型。 您可以使用我们提供的所有工具。
- 作为 Python 包安装: 您只想在项目中调用 MMSelfSup 的 API 或导入 MMSelfSup 的模块。
从源代码安装
在这种情况下，从源代码安装 MMSelfSup：
git clone https://github.com/open-mmlab/mmselfsup.git
cd mmselfsup
git checkout 1.x
pip install -v -e .
# "-v" 表示详细，或更多输出
# "-e" 表示以可编辑模式安装项目，
# 因此，对代码所做的任何本地修改都将生效，无需重新安装。
或者，如果您想为 MMSelfSup 做出贡献或体验其正在实验中的功能，请查看 dev-1.x 分支：
git checkout dev-1.x
作为 Python 包安装
直接用 pip 安装：
pip install 'mmselfsup>=1.0.0rc0'
验证安装
要验证是否正确安装了 MMSelfSup，可以运行以下命令：
import mmselfsup
print(mmselfsup.__version__)
# 示例输出：1.0.0rc0 或更新版本
自定义安装
评测基准
最佳实践适用于基本用法。 如果您需要使用一些下游任务（例如检测或分割）来评估您的预训练模型，请同时安装 MMDetection 和 MMSegmentation。
如果您不运行 MMDetection 和 MMSegmentation 基准测试，则无需安装它们。
您可以使用以下命令简单地安装 MMDetection 和 MMSegmentation：
pip install 'mmdet>=3.0.0rc0' 'mmsegmentation>=1.0.0rc0'
更多详细信息，您可以查看 MMDetection 和 MMSegmentation 的安装页面。
CUDA 版本
安装 PyTorch 时，您需要指定 CUDA 的版本。 如果您不清楚选择哪个，请遵循我们的建议：
- 对于基于 Ampere 的 NVIDIA GPU，例如 GeForce 30 系列和 NVIDIA A100，CUDA 11 是必须的。
- 对于较旧的 NVIDIA GPU，CUDA 11 向后兼容，但 CUDA 10.2 提供更好的兼容性并且更轻量级。
请确保 GPU 驱动程序满足最低版本要求。有关详细信息，请参阅此表。
如果您遵循我们的最佳实践，安装 CUDA 运行时库就足够了，因为不会在本地编译任何 CUDA 代码。 但是，如果您希望从源代码编译 MMCV 或开发其他 CUDA 算子，则需要从 NVIDIA 的[网站](https://developer.nvidia.com/cuda-downloads) 安装完整的 CUDA 工具包，其版本应与 PyTorch 的 CUDA 版本相匹配，即 `conda install` 命令中指定的 cudatoolkit 版本。
在不使用 MIM 的情况下安装 MMEngine
想要使用 pip 而不是 MIM 安装 MMEngine，请遵循 MMEngine 安装指南。
例如，您可以通过以下命令安装 MMEngine：
pip install mmengine
在不使用 MIM 的情况下安装 MMCV
MMCV 包含 C++ 和 CUDA 扩展，因此以一种复杂的方式依赖于 PyTorch。 MIM 会自动解决此类依赖关系并使安装更容易。 但是，这不是必须的。
要使用 pip 而不是 MIM 安装 MMCV，请遵循 MMCV 安装指南。 这需要根据 PyTorch 版本及其 CUDA 版本手动指定 find-url。
例如，以下命令安装以 PyTorch 1.12.0 和 CUDA 11.6 构建的 mmcv-full。
pip install 'mmcv>=2.0.0rc1' -f https://download.openmmlab.com/mmcv/dist/cu116/torch1.12.0/index.html
在仅有 CPU 的平台上安装
MMSelfSup 可以仅用于 CPU 环境。 在 CPU 模式下，您可以训练、测试或推断模型。
在这种模式下，一些功能会消失，通常是 GPU 编译的操作。 不过不用担心，MMSelfSup 中的几乎所有模型都不依赖这些操作。
在 Google Colab 上安装
Google Colab 通常会安装 PyTorch，因此我们只需要使用以下命令安装 MMCV 和 MMSeflSup。
步骤 0. 使用 MIM 安装 MMEngine 和 MMCV。
!pip3 install openmim
!mim install mmengine
!mim install 'mmcv>=2.0.0rc1'
步骤 1. 从源代码安装 MMSelfSup。
!git clone https://github.com/open-mmlab/mmselfsup.git
%cd mmselfsup
!git checkout 1.x
!pip install -e .
步骤 2. 验证。
import mmselfsup
print(mmselfsup.__version__)
# 示例输出：1.0.0rc0 或更新版本
在 Jupyter 中，感叹号 `!` 用于调用外部可执行文件，而 `%cd` 是一个[魔法命令](https://ipython.readthedocs.io/en/stable/interactive/magics.html#magic-cd ) 来更改 Python 的当前工作目录。
通过 Docker 使用 MMSelfSup
我们提供了一个 Dockerfile 来构建镜像。请确保您的 docker 版本 >=19.03。
# 使用 PyTorch 1.10.0、CUDA 11.3、CUDNN 8 构建镜像。
docker build -f ./docker/Dockerfile --rm -t mmselfsup:torch1.10.0-cuda11.3-cudnn8 .
重要提示： 请确保您已安装 nvidia-container-toolkit。
运行以下命令：
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} 是包含所有这些数据集的本地文件夹。
故障排除
如果您在安装过程中遇到一些问题，请先查看常见问题页面。 如果没有找到解决方案，您可以在 GitHub 上提交一个 issue。
使用多个 MMSelfSup 版本
如果您的机器上有多个 mmselfsup，并且您想交替使用它们，推荐的方法是创建多个 conda 环境，并为不同的版本使用不同的环境。
另一种方法是将以下代码插入主脚本（train.py、test.py 或您运行的任何其他脚本）：
import os.path as osp
import sys
sys.path.insert(0, osp.join(osp.dirname(osp.abspath(__file__)), '../'))
或者在对应根文件夹的终端中运行以下命令来暂时使用当前的版本：
export PYTHONPATH="$(pwd)":$PYTHONPATH