深度學習目標檢測框架 detectron2 安裝流程

1. detectron2

FAIR 開源的目標檢測框架 Detectron2，基於 Pytorch 。它訓練比從前更快，功能比從前更全，支持的模型也比從前更豐盛。好比對初代的模型 Faster R-CNN，Mask R-CNN，RetinaNet，DensePose 等的支持外，還支持一些新的模型，如 Cascade R-NN，Panoptic FPN，TensorMask 等 ，並且解決了之前 Pytorch 生產難以部署的詬病。因此我火燒眉毛的要試一試， 記錄一下Detectron2 環境搭建過程 。

2. pytorch 環境

首先咱們要搭建一個 Pytorch 環境，步驟可參考以前的 利用 Conda 安裝深度學習框架 Pytorch 一文便可。

3. opencv3

Opencv3 是一個知名的計算機視覺處理庫。在 Python 3.6 環境下使用下面的命令並就能夠了：

conda install -c menpo opencv3

可是在 Python 3.7 環境下上面的命令是無效的。可使用 pypi 進行安裝:

pip install opencv-python

若是你的網絡很差也很容易失敗，咱們能夠臨時使用清華的 pypi 鏡像來安裝：

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

4. fvcore

fvcore 是 FAIR 開源的 一個輕量級的核心庫，它提供了在各類計算機視覺框架(如 Detectron2)中共享的最多見和最基本的功能。該庫須要 >=Python 3.6 的 Python 環境。

Conda 安裝命令爲：

conda install -c fvcore fvcore

pypi 安裝命令爲：

pip install fvcore

參考 章節 3 中使用 pypi 鏡像的方式會更快一些。

5. pycocotools

微軟發佈的 COCO 數據庫是一個大型圖像數據集, 專爲對象檢測、分割、人體關鍵點檢測、語義分割和字幕生成而設計。 COCO API 提供了 Matlab, Python 和 Lua 的 API 接口. 該 API 接口能夠提供完整的圖像標籤數據的加載, parsing 和可視化。經過 pycocotools 庫咱們可使用 COCO 提供的一系列功能。在不一樣的環境下安裝方式不一樣。這裏以 linux 環境爲例：

pip3 install -U Cython
pip3 install -U pycocotools

6. 其它包依賴

按照項目提供的 requirements 安裝便可。

GCC 編譯器版本 >= 4.9

7. 安裝 detectron2

重點來了，接下來的重頭戲就是安裝 detectron 2 了。

7.1 直接安裝

你能夠直接執行下面的命令直接安裝：

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

若是提示沒有權限請在上述命令行中添加 --user 參數。

7.2 本地安裝

你也能夠 Git 拉到本地安裝：

git clone https://github.com/facebookresearch/detectron2.git
cd detectron2 && pip install -e .

7.3 小貼士

對於MacOS 用戶來講，不管是 採用 7.1 或者 7.2 都應該在其基礎上執行如下安裝命令：

MACOSX_DEPLOYMENT_TARGET=10.9 CC=clang CXX=clang++ pip install -e .

並且若是機子上安裝多個 cuda 版本時，可能致使 nvcc 與 cuda 版本不一致，網上有解決辦法，我沒有遇到因此只是提醒你一下。

8. 總結

通常狀況下按照我上面的步驟安裝都沒有太多問題。若是你有好的建議能夠經過微信公衆號：Felordcn 進行反饋。下一文咱們將對一些實際使用過程當中的問題進行一些探討。

關注公衆號：Felordcn 獲取更多資訊

我的博客：https://felord.cn