Win10 Python3.7 安装pytorch1.5+ mmdetection2.1,搭建mmdetection环境

简介: Win10 Python3.7 安装pytorch1.5+ mmdetection2.1,搭建mmdetection环境

目录



1、安装CUDA10.1版本。参照:


2、安装Pytorch


3、安装pycocotools


4、安装mmcv


5、安装mmdetection


1、安装CUDA10.1版本。参照:

https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/105293721


2、安装Pytorch

    conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

或者:


pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html

3、安装pycocotools

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


4、安装mmcv

pip install mmcv


5、安装mmdetection

官方网站:https://github.com/open-mmlab/mmdetection


git clone https://github.com/open-mmlab/mmdetection.git


cd mmdetection


pip install -r requirements.txt


修改编译文件:


.将~Lib\site-packages\torch\utils\cpp_extension.py 中 info = info.decode().lower()修为 info=info.decode("utf8","ignore").lower()


所有decode() 都改成decode("utf8","ignore")


修改mmdetection-master的setup.py文件。


将:


def make_cuda_ext(name, module, sources, sources_cuda=[]):



   define_macros = []


   extra_compile_args = {'cxx': []}



   if torch.cuda.is_available() or os.getenv('FORCE_CUDA', '0') == '1':


       define_macros += [('WITH_CUDA', None)]


       extension = CUDAExtension


       extra_compile_args['nvcc'] = [


           '-D__CUDA_NO_HALF_OPERATORS__',


           '-D__CUDA_NO_HALF_CONVERSIONS__',


           '-D__CUDA_NO_HALF2_OPERATORS__',


       ]


       sources += sources_cuda


   else:


       print(f'Compiling {name} without CUDA')


       extension = CppExtension


       # raise EnvironmentError('CUDA is required to compile MMDetection!')



   return extension(


       name=f'{module}.{name}',


       sources=[os.path.join(*module.split('.'), p) for p in sources],


       define_macros=define_macros,


       extra_compile_args=extra_compile_args)


修改为:


def make_cuda_ext(name, module, sources, sources_cuda=[]):


   return CUDAExtension(

       name='{}.{}'.format(module, name),

       sources=[os.path.join(*module.split('.'), p) for p in sources],

       extra_compile_args={undefined

           'cxx': ["-DMS_WIN64","-MD"],

           'nvcc': [

               '-D__CUDA_NO_HALF_OPERATORS__',

               '-D__CUDA_NO_HALF_CONVERSIONS__',

               '-D__CUDA_NO_HALF2_OPERATORS__',

           ]

       })


然后运行:


python setup.py build_ext --inplace 进行编译


python setup.py install develop 完成安装


执行完成后运行pip list查看:

tt.png

补充一句:即使安装成功后,也不能使用!新版本不支持Windows了! TMD,这是人干的事嘛



tt.png

目录
相关文章
|
28天前
|
PyTorch Linux 算法框架/工具
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
这篇文章是关于如何使用Anaconda进行Python环境管理,包括下载、安装、配置环境变量、创建多版本Python环境、安装PyTorch以及使用Jupyter Notebook的详细指南。
217 1
pytorch学习一:Anaconda下载、安装、配置环境变量。anaconda创建多版本python环境。安装 pytorch。
|
26天前
|
Python
Python 三方库下载安装
Python 三方库下载安装
22 1
|
28天前
|
机器学习/深度学习 缓存 PyTorch
pytorch学习一(扩展篇):miniconda下载、安装、配置环境变量。miniconda创建多版本python环境。整理常用命令(亲测ok)
这篇文章是关于如何下载、安装和配置Miniconda,以及如何使用Miniconda创建和管理Python环境的详细指南。
317 0
pytorch学习一(扩展篇):miniconda下载、安装、配置环境变量。miniconda创建多版本python环境。整理常用命令(亲测ok)
|
24天前
|
PyTorch TensorFlow 算法框架/工具
手把手教你-MAC笔记本安装Pytorch环境
手把手教你-MAC笔记本安装Pytorch环境
29 0
|
26天前
|
Python
【python从入门到精通】-- 第一战:安装python
【python从入门到精通】-- 第一战:安装python
46 0
|
30天前
|
算法 PyTorch 算法框架/工具
Pytorch学习笔记(九):Pytorch模型的FLOPs、模型参数量等信息输出(torchstat、thop、ptflops、torchsummary)
本文介绍了如何使用torchstat、thop、ptflops和torchsummary等工具来计算Pytorch模型的FLOPs、模型参数量等信息。
145 2
|
1月前
|
机器学习/深度学习 自然语言处理 监控
利用 PyTorch Lightning 搭建一个文本分类模型
利用 PyTorch Lightning 搭建一个文本分类模型
52 8
利用 PyTorch Lightning 搭建一个文本分类模型
|
1月前
|
机器学习/深度学习 自然语言处理 数据建模
三种Transformer模型中的注意力机制介绍及Pytorch实现:从自注意力到因果自注意力
本文深入探讨了Transformer模型中的三种关键注意力机制:自注意力、交叉注意力和因果自注意力,这些机制是GPT-4、Llama等大型语言模型的核心。文章不仅讲解了理论概念,还通过Python和PyTorch从零开始实现这些机制,帮助读者深入理解其内部工作原理。自注意力机制通过整合上下文信息增强了输入嵌入,多头注意力则通过多个并行的注意力头捕捉不同类型的依赖关系。交叉注意力则允许模型在两个不同输入序列间传递信息,适用于机器翻译和图像描述等任务。因果自注意力确保模型在生成文本时仅考虑先前的上下文,适用于解码器风格的模型。通过本文的详细解析和代码实现,读者可以全面掌握这些机制的应用潜力。
48 3
三种Transformer模型中的注意力机制介绍及Pytorch实现:从自注意力到因果自注意力
|
2月前
|
机器学习/深度学习 PyTorch 调度
在Pytorch中为不同层设置不同学习率来提升性能,优化深度学习模型
在深度学习中,学习率作为关键超参数对模型收敛速度和性能至关重要。传统方法采用统一学习率,但研究表明为不同层设置差异化学习率能显著提升性能。本文探讨了这一策略的理论基础及PyTorch实现方法,包括模型定义、参数分组、优化器配置及训练流程。通过示例展示了如何为ResNet18设置不同层的学习率,并介绍了渐进式解冻和层适应学习率等高级技巧,帮助研究者更好地优化模型训练。
129 4
在Pytorch中为不同层设置不同学习率来提升性能,优化深度学习模型
|
2月前
|
机器学习/深度学习 监控 PyTorch
PyTorch 模型调试与故障排除指南
在深度学习领域,PyTorch 成为开发和训练神经网络的主要框架之一。本文为 PyTorch 开发者提供全面的调试指南,涵盖从基础概念到高级技术的内容。目标读者包括初学者、中级开发者和高级工程师。本文探讨常见问题及解决方案,帮助读者理解 PyTorch 的核心概念、掌握调试策略、识别性能瓶颈,并通过实际案例获得实践经验。无论是在构建简单神经网络还是复杂模型,本文都将提供宝贵的洞察和实用技巧,帮助开发者更高效地开发和优化 PyTorch 模型。
40 3
PyTorch 模型调试与故障排除指南
下一篇
无影云桌面