MMDetection安装实战教程
MMDetection 支持在 Linux，Windows 和 macOS 上运行，其实在 Windows 和 Linux 上配置环境区别不大，建议有条件还是在 Linux 上配置，它需要 Python 3.7 以上，CUDA 9.2 以上和 PyTorch1.8 及其以上。
创建 Conda 虚拟环境
conda create --name mmdet python=3.8 -y
conda activate mmdet
安装 PyTorch
首先查看自己电脑的 CUDA 版本
nvidia-smi
输出：
# nvidia-smi
Tue Dec 17 01:31:35 2024
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 535.104.12 Driver Version: 535.104.12 CUDA Version: 12.2 |
|-----------------------------------------+----------------------+----------------------+
| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+======================+======================|
| 0 NVIDIA A800 80GB PCIe On | 00000000:38:00.0 Off | 0 |
| N/A 73C P0 251W / 300W | 70007MiB / 81920MiB | 100% Default |
| | | Disabled |
+-----------------------------------------+----------------------+----------------------+
+---------------------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=======================================================================================|
+---------------------------------------------------------------------------------------+
查看自己的 CUDA 版本，我的是 CUDA12.2，但是安装与 12.2 对应的 Torch 时，后面会出现与 mmcv 版本不匹配的问题，从而导致安装失败。因此，我在这里选择了 CUDA 11.8 版本的 Torch，pytorch 的下载链接在这里（PyTorch 以前版本），往下拉，选择合适的 pytorch。虽然现在已经到了 2.X 的 PyTorch，但是 mmcv 的版本更新并没有 PyTorch 快，因此，为了与 mmcv 保持版本对应一致，这里选择了 2.1.0 版本的 Torch。
# CUDA 11.8
conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia
这里注意，其实服务器（本机）的 CUDA 版本是 12.2，但是我们可以选择比 12.2 小的版本，因为在虚拟环境中会自己再安装一个 PyTorch 版本的 CUDA 版本，打印安装包为例：
conda list cuda
(mmdet) conda list torch
# packages in environment at /opt/conda/envs/mmdet:
#
# Name Version Build Channel
torch 2.1.0+cu118 pypi_0 pypi
torchaudio 2.1.0+cu118 pypi_0 pypi
torchvision 0.16.0+cu118 pypi_0 pypi
我们可以看到 cuda11.8 和 torch2.1.0 已经安装完成，下面我们测试是否安装成功
python -c "import torch; print(torch.cuda.is_available())"
或者：
(mmyolo) python
Python 3.8.20 (default, Oct 3 2025, 15:47:27)
[GCC 11.2.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print (torch.cuda.is_available())
True
>>> exit()
显示为 True 则表示安装成功，若显示为 False 则未安装成功，需要排查原因重新安装。
安装 mmcv
首先要安装 mim、 mmengine
pip install -U openmim
mim install mmengine
安装mmcv这里需要注意一下，因为非常容易出错，需要选择合适的版本，选择版本的地址在这里（mmcv版本），mmcv 建议不要选择太高，最好在 2.0.0-2.1 之间。因为在上一步的安装中，我们安装的是 torch2.1.0 版本，这里一步选择下拉框中的选择 cuda11.8 ，torch2.1.x 以及后面 mmcv2.1.0，这几个一定保持对应，否则后面再安装完成后测试的时候，会因为版本不对应出错。
安装命令：
pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html
当然这里也可以选择torch别的版本，截止目前，mmdetection中mmcv支持的最高torch版本是2.1.x
安装 mmdet
方案 a：如果你开发并直接运行 mmdet，从源码安装它：
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e .
# "-v" 指详细说明，或更多的输出
# "-e" 表示在可编辑模式下安装项目，因此对代码所做的任何本地修改都会生效，从而无需重新安装。
方案 b：如果你将 mmdet 作为依赖或第三方 Python 包，使用 MIM 安装：
mim install mmdet
注：如果因国内安装速度限制问题，可-i 命令添加代理提高安装速度。
mim install mmdet -i https://pypi.tuna.tsinghua.edu.cn/simple
验证安装
为了验证 MMDetection 是否安装正确，我们提供了一些示例代码来执行模型推理。
步骤 1. 下载 mmdet 源码文件
git clone https://github.com/open-mmlab/mmdetection.git
cd /to/path/mmdetection
步骤 2. 我们还需要下载配置文件和模型权重文件。
mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .
下载将需要几秒钟或更长时间，这取决于你的网络环境。完成后，你会在当前文件夹中发现两个文件 rtmdet_tiny_8xb32-300e_coco.py 和 rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth。
步骤 3. 推理验证。
方案 a：如果你通过源码安装的 MMDetection，那么直接运行以下命令进行验证：
python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu
你会在当前文件夹中的 outputs/vis 文件夹中看到一个新的图像 demo.jpg，图像中包含有网络预测的检测框。
方案 b：如果你通过 MIM 安装的 MMDetection，那么可以打开你的 Python 解析器，复制并粘贴以下代码：
from mmdet.apis import init_detector, inference_detector
config_file = 'rtmdet_tiny_8xb32-300e_coco.py'
checkpoint_file = 'rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth'
model = init_detector(config_file, checkpoint_file, device='cpu') # or device='cuda:0'
inference_detector(model, 'demo/demo.jpg')
你将会看到一个包含 DetDataSample 的列表，预测结果在 pred_instance 里，包含有检测框，类别和得分。
[!error]- Error
问题 1：UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argume解决方案：
找到functional.py文件报错位置，修改加上代码indexing = ‘ij’。return _VF.meshgrid(tensors, **kwargs,indexing = 'ij') # type: ignore[attr-defined]
参考文件：
学习配置文件 — MMDetection 3.3.0 文档
MMDetection安装踩坑教程，一次性安装成功_mmcv2.1.0搭配什么mmdet-CSDN博客
使用MMDetection训练自己的数据集-CSDN博客
使用mmdetection框架训练自己的数据集_mmdetection训练自己的数据-CSDN博客
原文地址：https://blog.csdn.net/weixin_62828995/article/details/145161980
免责声明：本站文章内容转载自网络资源，如侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！