mmcv-full1.3.8 在win10上的安装

简介: mmcv-full1.3.8 在win10上的安装

参考链接

本次安装配置为
rtx2070+python3.8+pytorch1.9+cuda10.2+mmcv-full1.3.8

网上的一些教程我也参考了不少,但是每个人的配置都是不一样的,所以就会发生不一样的情况.

官网上也没有提供比较新的wheel包,也说了mmcv还没有正式支持win10,最新的windows版本的mmcv官方提供的只有mmcv-full 1.15+torch1.6.0版本

官网提供wheel包的链接,但是版本比较老了

如果懒得安装可以使用官网相应老版本的pytorch和mmcv-full,但是我想说安装个新版本其实也没那么费力。

mmcv-full总是不断更新,建议使用最新版,不建议安装老版本的

下面是一些安装步骤以及我的遇到的一些问题

一、mmcv-full安装步骤:

1.先安装Anaconda

后续要使用到anaconda powershell prompt

2.安装cuda和cudnn

比如我的是cuda 10.2以及对应的cudnn

3.安装VS2019(为了编译环境)

然后将C:\Program Files (x86)\Microsoft Visual Studio\2019\Professional\VC\Tools\MSVC\14.28.29910\bin\Hostx64\x64设置到环境变量

在命令行cmd中输入cl ,得到

说明编译环境安装成功了

4.设置环境变量

设置CUDA_PATH

然后将C:\Program Files (x86)\Microsoft Visual Studio\2019\Professional\VC\Tools\MSVC\14.28.29910\bin\Hostx64\x64设置到环境变量

5.以管理员身份打开anaconda powershell(千万别开错了!)

不是cmd或者powershell,是anaconda powershell!

创建虚拟环境

conda create -n mmlab python=3.8 -y
conda activate mmlab

安装pytorch

(这里的cudatoolkit根据自己安装cuda版本去设置)

conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch -c conda-forge

克隆mmcv到本地,并安装依赖包

git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
pip install -r requirements.txt

设置cuda架构

查看cuda架构

(比如我的rtx2070,对应的是’7.5’)

$env:TORCH_CUDA_ARCH_LIST="7.5"

安装mmcv

$env:MMCV_WITH_OPS = 1      # 设置环境
$env:MAX_JOBS = 8     # 设置环境
python setup.py build_ext   # build
python setup.py develop     # 安装
pip list    #查看安装是否成功

这样就是安装成功了

二、主要问题(遇到的一些坑)

1.安装的时候卡在build

如果直接使用

pip install mmcv-full

会发现卡在build中,然后出现一堆红色报错。

问题原因:

没有按照正确的安装流程走

2.根据安装步骤走了

但是安装好后, 虽然显示安装成功,在pip list中也能找到mmcv,但是一运行

出现No module named 'mmcv._ext'的问题

问题原因

没有按照正常的安装流程走,比如没有设置环境变量$env:MMCV_WITH_OPS = 1等,

直接这样,安装看起来成功(输出successful install…),实际上失败了

python setup.py build_ext
python setup.py develop

出现下图这些内容才算安装成功

出现很多字符,而不是啥都没有.

3.在安装的时候出现编译错误

根据安装流程走了,但是出现的问题

比如出现:

ubprocess.CalledProcessError: Command ‘[‘ninja’, ‘-v’, ‘-j’, ‘8’]’ returned non-zero exit status 1.
subprocess.CalledProcessError: Command ‘[‘ninja’, ‘-v’]’ returned non-zero exit status 1.

等一些ninja或者complie字样的 编译错误.

解决办法:

不推荐去修改源码,建议重新创建一个虚拟环境安装 pytorch最新版本





参考链接

https://blog.csdn.net/lebusini/article/details/117525764

https://www.zywvvd.com/2021/04/20/deep_learning/windows-mmcv-1-2-7-install/windows-mmcv-1-2-7-install/

https://github.com/open-mmlab/mmcv

相关文章
|
异构计算
ModuleNotFoundError: No module named ‘mmcv._ext‘
最近想将mmsegmentation打包成exe进行使用,但是遇到了一个问题,在打包的过程中不会显示报错信息,但是在执行exe程序之后,exe会出现ModuleNotFoundError: No module named 'mmcv._ext'的报错,导致软件崩溃。
2231 0
|
5月前
|
机器学习/深度学习 监控 自动驾驶
7种交通场景目标检测数据集分享(适用于YOLO系列深度学习检测任务)
7种交通场景目标检测数据集分享(适用于YOLO系列深度学习检测任务) 源码下载 在智能交通与自动驾驶技术快速发展的今天,如何高效、准确地感知道路环境已经成为研究与应用的核心问题。车辆、行人和交通信号灯
1173 0
|
机器学习/深度学习 并行计算 PyTorch
深度学习环境搭建笔记(一):detectron2安装过程
这篇博客文章详细介绍了在Windows环境下,使用CUDA 10.2配置深度学习环境,并安装detectron2库的步骤,包括安装Python、pycocotools、Torch和Torchvision、fvcore,以及对Detectron2和PyTorch代码的修改。
3526 1
深度学习环境搭建笔记(一):detectron2安装过程
|
计算机视觉 Windows Python
已解决windows pycocotools安装失败问题 —— 超简单
已解决ModuleNotFoundError: No module named 'pycocotools'
862 1
已解决windows pycocotools安装失败问题 —— 超简单
|
编解码 计算机视觉 异构计算
模式识别与图像处理课程实验二:基于UNet的目标检测网络(上)
模式识别与图像处理课程实验二:基于UNet的目标检测网络
模式识别与图像处理课程实验二:基于UNet的目标检测网络(上)
|
并行计算 计算机视觉
YOLOv8太卷啦 | YOLOv8官方仓库正式支持RT-DETR训练、测试以及推理
YOLOv8太卷啦 | YOLOv8官方仓库正式支持RT-DETR训练、测试以及推理
1394 0
|
XML JSON 数据可视化
数据集学习笔记(二): 转换不同类型的数据集用于模型训练(XML、VOC、YOLO、COCO、JSON、PNG)
本文详细介绍了不同数据集格式之间的转换方法,包括YOLO、VOC、COCO、JSON、TXT和PNG等格式,以及如何可视化验证数据集。
5312 1
数据集学习笔记(二): 转换不同类型的数据集用于模型训练(XML、VOC、YOLO、COCO、JSON、PNG)
|
机器学习/深度学习 算法 计算机视觉
YOLOv11改进策略【SPPF】| SimSPPF,简化设计,提高计算效率
YOLOv11改进策略【SPPF】| SimSPPF,简化设计,提高计算效率
3102 8
YOLOv11改进策略【SPPF】| SimSPPF,简化设计,提高计算效率
|
11月前
|
机器学习/深度学习 传感器 编解码
DINOv3上手指南:改变视觉模型使用方式,一个模型搞定分割、检测、深度估计
DINOv3是Meta推出的自监督视觉模型,支持冻结主干、仅训练轻量任务头即可在分割、深度估计等任务上达到SOTA,极大降低训练成本。其密集特征质量优异,适用于遥感、工业检测等多领域,真正实现“一个模型走天下”。
6210 2
DINOv3上手指南:改变视觉模型使用方式,一个模型搞定分割、检测、深度估计

热门文章

最新文章