目标检测框架——Dtectron2

技术2022-07-11 121

文章目录

前言1. Windows10 Dtectron2 配置1.1 虚拟环境1.2 安装pytorch1.3 安装一些依赖包1.4 修改文件内部的一些参数（非常重要）1.5 安装pycocotools1.7 安装Dtectron21.8 测试 2. Linux Dtectron2 配置

前言

目标检测的模型还是很多的，要挨个挨个学还是有点吃力（精力旺盛可忽略），所以这里总结一下当前流行的目标检测的框架：darknet yolov4，mmdetection2.0，detectron2.0。至于这三个框架怎么去选择，我的答案是只有你真正懂了，上手试了这几个框架之后你才能比较它们之间的优劣。

1. Windows10 Dtectron2 配置

我的环境：WIN10，CUDA10.1，cuDNN7.6.4，Anaconda，VS2019（这个必须有），OpenCV3.4.10，GTX1660（6G内存）

1.1 虚拟环境

至于为什么要创建一个虚拟环境，起作用主要有以下几个：

虚拟环境可以搭建独立的python运行环境, 使得单个项目的运行环境与其它项目互不影响。可以避免一个环境造成得安装包过的多，导致环境加载缓慢。

创建一个没有存在过的虚拟环境：

conda create -n detectron2 python=3.7

激活虚拟环境：

conda activate detectron2

1.2 安装pytorch

conda install pytorch=1.4 torchvision cudatoolkit=10.1

这里pytorch只能是1.4版本的，太低会运行不成功，这也是为什么要创建虚拟环境的原因。

1.3 安装一些依赖包

pip install cython opencv-python pillow matplotlib termcolor cloudpickle tabulate tensorboard termcolor tqdm yacs mock fvcore pydot wheel future

1.4 修改文件内部的一些参数（非常重要）

修改C:\Users\lee\Anaconda3\envs\mmd2\Lib\site-packages\torch\utils\cpp_extension.py185行：match = re.search(r'(\d+)\.(\d+)\.(\d+)', compiler_info.decode("utf8","ignore").strip())

修改C:\Users\lee\Anaconda3\envs\detectron\Lib\site-packages\torch\include\torch\csrc\jit\argument_spec.h文件中的static constexpr size_t DEPTH_LIMIT = 128; 改成 static const size_t DEPTH_LIMIT = 128;

修改C:\Users\lee\Anaconda3\envs\detectron\Lib\site-packages\torch\include\pybind11\cast.h中的explicit operator type&() { return *(this->value); } （大约在1449行）改成 explicit operator type&() { return ((type)this->value); }

1.5 安装pycocotools

这个库就不用我多说了，做目标检测没人不知道他吧两种办法：（我用的第二种）

pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

或者https://github.com/philferriere/cocoapi下载源码，并进行解压。以管理员身份打开 CMD 终端，并切换到 cocoapi\PythonAPI目录。运行以下指令：

python setup.py build_ext install

1.7 安装Dtectron2

去GitHub下载Dtectron2进入detectron2-0.1.3，执行：执行python setup.py build develop

1.8 测试

测试一张图（记得自己改图片地址）

python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input 1.jpg --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

测试摄像头

python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --webcam --opts MODEL.WEIGHTS detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

根据GitHub给的说明，可以进行以下替换：

要在你的网络摄像头上运行,请把–input files 替换为–webcam

要播放视频,请把–input files替换为–video-input video.mp4

要在cpu上运行,请在 -opts之后添加MODEL.DEVICE cpu-。

要将输出保存到目录(用于图像)或文件(用于网络摄像头或视频),请使用–output。

2. Linux Dtectron2 配置

我的环境：Ubuntu18.04，CUDA10.2，cuDNN8.0.2，Anaconda，GP106（3Gx2内存）

创建一个没有存在过的虚拟环境：

注意此处一定要是python=3.7，3.8版本会报错（很多坑）

conda create -n detectron2 python=3.7

激活虚拟环境：

conda activate detectron2

安装pytorch：

conda install pytorch=1.5 torchvision cudatoolkit=10.2

安装一些依赖包

pip install cython opencv-python==4.2.0.34 pillow matplotlib termcolor cloudpickle tabulate tensorboard termcolor tqdm yacs mock fvcore pydot wheel future

注意：不需要安装pycocotools

安装Dtectron2

去GitHub下载Dtectron2进入detectron2，执行：执行python python -m pip install -e .

测试测试一张图（记得自己改图片地址）