mmdetection2.3.0版本安装过程，以及训练、测试、可视化等（亲测好用，很顺利）

欢迎大家关注笔者，你的关注是我持续更博的最大动力

原创文章，转载告知，盗版必究

mmdetection2.3.0版本安装过程，以及训练、测试、可视化等（亲测好用，很顺利）

文章目录：

• 1 运行mmdetection2.3.0版本报错
• 1.1 错误解决历程
• 1.2 最终的解决方法
• 2 mmdetection2.3.0 安装过程
• 2.1 创建虚拟环境
• 2.2 安装torch和torchvison
• 2.3 安装mmcv
• 2.4 下载mmdetection
• 2.5 安装编译mmdet
• 2.6 测试环境是否可用
• 2.7 单GPU训练
• 2.8 多GPU训练
• 2.9 再测试集上进行测试
• 2.10 可视化训练的loss结果
• 2.11 计算训练的时间
• 2.12 更改训练模型保存的周期 和 从预训练模型恢复训练

---

mmdetection 下载20200805最新的代码：
此时的最新代码版本为：mmdetection2.3.0

我尝试在我之前的环境中运行最新的mmdetection2.3.0版本，然后就报错呀，报错呀！

• 我之前mmdetection2.0.0版本——》在这里
• mmdetection2.3.0版本比mmdetection2.0.0版本又多了一些模型，具体自己查看

1 运行mmdetection2.3.0版本报错

python tools/train.py -h

1.1 错误解决历程

报错·：ImportError: cannot import name 'get_git_hash' from 'mmcv.utils'

这是因为在mmcv==0.6.2中并没有这个函数，在最新版本的mmcv==1.0.5版本的anaconda3/envs/TensorRT/lib/python3.7/site-packages/mmcv/utils/version_utils.py中可以查看到有get_git_hash()函数

然后把mmcv版本更新到1.0.5版本，然后又报错：ModuleNotFoundError: No module named 'mmcv._ext'，然后官网中是issues中提示：需要安装mmcv==0.6.2，啊啊啊啊啊！！！，这是死循环吗？？？

提示安装mmdet==2.2.1版本，如何安装指定版本的mmdet呢？

• 首先在：mmdetection/mmdet/version.py中的__version__ =中的版本呢改为：__version__==2.2.1
• 然后再重新编译一遍：pip install -v -e .

之后可以使用conda查看版本：

conda list mmdet

(TensorRT) shl@zfcv:~/project/mmdetection_0805$ conda list mmdet
# packages in environment at /home/shl/anaconda3/envs/TensorRT:
#
# Name                    Version                   Build  Channel
mmdet                     2.2.1                     dev_0    <develop>
(TensorRT) shl@zfcv:~/project/mmdetection_0805$

然后查看官网的这个issues大概是25天前提交的，推测一下：mmcv-full的版本应该是1.0.2`

安装mmcv-full==1.0.2由于官网提供的这个库包是tar,gz格式，没有whl，这意味着这个库包是没有编译的，需要自己下载之后编译：

1、下载mmcv-full==1.0.2的tar.gz库包文件

wget https://files.pythonhosted.org/packages/af/ac/72d570062951e090139a790acfaca495d655f24f008c8ae0c2140cff0eb9/mmcv-full-1.0.2.tar.gz

2、解压

tar zxvf mmcv-full-1.0.2.tar.gz

3、编译，编译的时间稍微有一点久

cd mmcv-full-1.0.2
python setup.py build

4、编译完之后安装

python setup install

5、查看mmcv-full是否安装成功

(TensorRT) shl@zfcv:~/project/mmdetection_0805$ conda list mmcv
# packages in environment at /home/shl/anaconda3/envs/TensorRT:
#
# Name                    Version                   Build  Channel
mmcv                      0.6.2                    pypi_0    pypi
mmcv-full                 1.0.2                    pypi_0    pypi
(TensorRT) shl@zfcv:~/project/mmdetection_0805$

然后执行继续执行：python tools/train.py -h，然后你懂的又报错：ImportError: cannot import name 'get_git_hash' from 'mmcv.utils'，哈哈哈哈哈哈...，又回到了这里

这种方法没有解决我的问题，然后有isuess说可是使用torch==1.4.0版本，然后我去官网的仓库看了下，对于cuda10.2目前只支持torch1.5.0及以上版本，我TMD感动的泪水要化成河流啦！

然后还是乖乖去官网看官网对最新版本的mmdetection的安装教程吧，毕竟有些错误经验跟不上官网的更新速度！

截至：20200805 mmdetection/mmdet/version.py中定义的mmdet==2.3.0版本，因此下载最新的版本的代码就必须安装mmcv-full>=1.0.5版本，而截至20200805最新版本的mmcv-full=1.0.5（这个版本是20200803上传的）

告诉我们一个道理：
第一个吃螃蟹的人，必须要付出代价！！！

1.2 最终的解决方法

请放弃它，不要跟它多BB

2 mmdetection2.3.0 安装过程

首先列举下官网对安装环境的要求：

• Linux or macOS (Windows is not currently officially supported)
• Python 3.6+
• PyTorch 1.3+
• CUDA 9.2+ (If you build PyTorch from source, CUDA 9.0 is also compatible)
• GCC 5+
• mmcv

下面是我实际环境安装过程：

2.1 创建虚拟环境

conda create -n mm0805 python=3.7

2.2 安装torch和torchvison

pip intall torch==1.5.0 torchvision==0.6.0

2.3 安装mmcv

pip install mmcv-full==latest+torch1.5.0+cu101 -f https://openmmlab.oss-accelerate.aliyuncs.com/mmcv/dist/index.html

2.4 下载mmdetection

git clone https://github.com.cnpmjs.org/open-mmlab/mmdetection.git

2.5 安装编译mmdet

cd mmdetection
pip install -r requirements/build.txt
pip install -v -e . # or "python setup.py develop"

2.6 测试环境是否可用

python tools/train.py -h.

2.7 单GPU训练

python tools/train.py ./configs/gfl/gfl_r50_fpn_mstrain_2x_coco.py --work-dir 1_work_dirs_gfl_hat_hair_beard --gpu-ids 1

2.8 多GPU训练

./tools/dist_train.sh ./configs/gfl/gfl_r50_fpn_mstrain_2x_coco.py 3 --work-dir 1_work_dir_gfl_hat_hair_beard

训练结束的结果：

从训练损失可以看，还可以继续下降，可以增大epoch训练的轮数，在下面的配置文件中修改：total_epochs

./configs/gfl/gfl_r50_fpn_mstrain_2x_coco.py

# learning policy
lr_config = dict(step=[16, 22])
total_epochs = 60    # 默认值为24
# multi-scale training
img_norm_cfg = dict(
    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
train_pipeline = [
    dict(type='LoadImageFromFile'),
    dict(type='LoadAnnotations', with_bbox=True),
    dict(
        type='Resize',
        img_scale=[(1333, 480), (1333, 800)],
        multiscale_mode='range',
        keep_ratio=True),
    dict(type='RandomFlip', flip_ratio=0.5),
    dict(type='Normalize', **img_norm_cfg),
    dict(type='Pad', size_divisor=32),
    dict(type='DefaultFormatBundle'),
    dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']),
]
data = dict(train=dict(pipeline=train_pipeline))

2.9 再测试集上进行测试

2.10 可视化训练的loss结果

1、可视化命令：

python tools/analyze_logs.py plot_curve ./1_work_dir_gfl_hat_hair_beard/20200805_154359.log.json --keys loss_cls loss_ bbox loss_dfl --out ./plot_result/1_gfl_hat_hair_beard

2、可视化命令参数介绍：

• plot_curve：该参数后跟的是训练保存的json文件
• --keys：后面跟的是要绘制的损失关键字，可以跟多个值
• --out：后面跟的是绘制保存的结果，可以保存成png图片，也可以保存成pdf

3、绘图的结果：

2.11 计算训练的时间

计算训练时间的命令：

python tools/analyze_logs.py cal_train_time ./1_work_dir_gfl_hat_hair_beard/20200805_154359.log.json

2.12 更改训练模型保存的周期 和 从预训练模型恢复训练

默认是每训练一个epoch保存一次模型，如果要更改，需要在：

mmdetection/configs/_base_/default_runtime.py

# 默认是每隔一轮保存一次训练模型，这里我们改成每隔5轮保存一次
checkpoint_config = dict(interval=5)   
# yapf:disable
log_config = dict(
    interval=50,
    hooks=[
        dict(type='TextLoggerHook'),
        # dict(type='TensorboardLoggerHook')
    ])
# yapf:enable
dist_params = dict(backend='nccl')
log_level = 'INFO'
load_from = None
resume_from = None
workflow = [('train', 1)]

---

---

---

---

♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠

来源：oschina

链接：https://my.oschina.net/u/4255345/blog/4479437