Detectron2，基于 Pytorch 。 记录一下Detectron2 环境搭建过程，弄了一下午，踩了好多坑。 我们先来看看官方的配置需求 Requirements Linux or macOS with Python ≥ 3.6 PyTorch ≥ 1.4 torchvision that matches the PyTorch installation. You can install them together at pytorch.org to make sure of this. pycocotools. Install it by pip install pycocotools>=2.0.1. OpenCV, optional, needed by demo and visualization

环境配置

本人系统centos7（无GPU）、anaconda3

anaconda虚拟环境

conda create -n py37 python=3.7 conda env list source activate py37

注意：后面所有的安装指令都在py37虚拟环境中运行

pytorch环境

进入官网选择自己对应的版本 注意：去掉后面的 -c pytorch 根据该命令的提示很容易就能安装好 Pytorch。

conda install pytorch torchvision cpuonly

如果安装失败，很可能是因为网络的延迟过高而超时。 所以我们可以通过配置 anacoda 国内镜像源来加速安装。 命令执行以下命令

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes

同时添加第三方的下载源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

然后重新安装 Pytorch

OpenCV

在Python3.7中用conda下载OpenCV是无效的 我们可以用pip安装

pip install opencv-python

如果网络不好很容易失败，我们在后面加上清华的pypi镜像

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

fvcore

fvcore 是 FAIR 开源的 一个轻量级的核心库，它提供了在各种计算机视觉框架(如 Detectron2)中共享的最常见和最基本的功能。

pip install fvcore

gcc

yum install gcc gcc --version

pycocotools

微软发布的 COCO 数据库是一个大型图像数据集, 专为对象检测、分割、人体关键点检测、语义分割和字幕生成而设计。

pip install -U Cython pip install -U pycocotools

安装 detectron2

方法一：可以直接用pip安装，前提需要下载git

pip install 'git+https://github.com/facebookresearch/detectron2.git'

git安装方法

yum install -y git git version

不过我的服务器不知道怎么回事，老是报错，搞了好久，索性…直接在本地下载好，然后上传到阿里云服务器上

方法二：本地下载好后上传 在detectron2项目官网上，将文件下载到本地 通过FileZilla工具，将文件上传到服务器上 然后在服务器上下载解压ZIP文件的工具，并解压文件

yum install -y unzip zip unzip detectron2-master.zip

预编译包安装(仅支持 Linux)

在官方文档里选择自己的版本 由于我的服务器没有GPU，所以选择只有CPU的版本

python -m pip install detectron2 -f \ https://dl.fbaipublicfiles.com/detectron2/wheels/cpu/torch1.5/index.html

测试运行Demo 目标检测

进入detectron2根目录，创建好inputs outputs文件夹 将要训练的图片放在inputs文件夹里 运行Demo程序

python demo/demo.py \ --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \ --input inputs/input.jpg --output outputs/ \ --opts MODEL.WEIGHTS detectron2://COCO-Detection/faster_rcnn_R_50_FPN_1x/137257794/model_final_b275ba.pkl MODEL.DEVICE cpu

注意：MODEL.DEVICE cpu，是专门在CPU上执行的，如果你的服务器上有GPU，则不需要添加 在outputs里查看目标检测结果： emmmm,黑人识别率有些低啊…

测试运行Demo 实例分割

python demo/demo.py \ --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml \ --input inputs/input.jpg --output outputs/ \ --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl \ MODEL.DEVICE cpu

效果不错 好啦，老师的课堂任务完成，就不继续往下深究了~