1、安裝anaconda
2、更新gcc到4.9以上
gcc -std=c++11 test.cpp
測試代碼test.cpp
#include<iostream> #include<memory> using namespace std; int main(){ shared_ptr<int> p = make_shared<int>(42); cout<<"p = "<<*p<<endl; return 0; }
3、安裝mmdetection
1）創建conda虛擬環境並激活，然后安裝cpython
conda create -n open-mmlab python=3.7 -y conda activate open-mmlab conda install cython
2）查看本機是否支持GPU
lspci | grep -i nvidia
安裝pytorch(>=1.0) # 可以直接通過pytorch的官網查看安裝命令
3）克隆mmdetection倉庫
git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection
# 2019年7月27日更新后的mmdetection，將compile和install放在一個腳本中
# 編譯cuda
# ./compile.sh
4）安裝mmdetection
# 之前使用的是
python setup.py install # 或 pip install .
出現問題，不能將.c文件成功轉譯成py文件，導致引用的很多由.c文件定義的conv與pool無法使用。出現ImportError的相關錯誤：
python setup.py develop # or “pip install -e .”
# 在使用過程中遇到的問題可以在mmdetection的github中的issues中詢問或查找
4、mmdetection的使用
對於mmdetection框架的使用，可以直接參考github上給出的樣例，提取出需要使用的代碼即可，我是用的是demo文件夾下的圖片，同時
Test.py
測試結果
訓練：
python tools/train.py <config_filepath> [--gpus num]
在進行數據集的訓練時，可以看tools文件夾下的train.py代碼，一般需要自己配置的只有work_dirs，以及gpus：
--work_dirs：結果保存路徑。也可以在config文件中進行配置
--gpus：訓練時使用的gpu的數量。
使用config文件中包含使用的框架、數據集信息，以及訓練中的一些參數配置。
使用config文件中包含使用的框架、數據集信息，以及訓練中的一些參數配置。可以直接使用mmdetection的configs文件夾下的配置文件，需要針對性修改一些信息，如數據庫的類型dataset_type以及數據庫的路徑data_root，其次train與test數據信息中的標注文件的路徑ann_file，圖片路徑img_prefix。
訓練完成后，在work_dirs定義的文件夾下會出現每次迭代輸出的信息，以及每次epoch完成后的參數結果：
此時在測試時，就可以直接使用自己訓練好的checkpoints（就是.pth文件）了。
我使用的是faster_rcnn_r50_fpn_1x的相應配置，使用coco2017的數據集，此次只使用了4個epoch得到結果，下圖使用tools/analyze_logs.py文件對一些數據plot，其中包括loss_rpn_cls、loss_rpn_bbox、loss_cls、loss_bbox以及loss：
使用參考mmdetection的github中給出的方法：
python tools/analyze_logs.py plot_curve <json文件> --keys <parameters list> --legend <legends>
其中：
<json文件>：就是訓練過程中生成的json文件的路徑 <parameters list>：需要plot的數據名稱，需要時json文件中存在的 <legends>：對應parameters list的標簽
測試：
使用官方提供的測試命令：
python tools/test.py <config_filepath> <checkpoint> [...]
在測試過程中，使用tools/test.py文件，test.py文件必須要參數包括config、checkpoint，以及(--out, --show, --json_out)三個中的一個，其中：
--config：配置文件，使用訓練使用的配置文件 --checkpoint：參數數據，使用work_dirs下的任一.pth文件 --out：輸出路徑，使用.pkl結尾的文件名 --json_out：輸出為json類型的數據
使用show結果會被一張張的顯示出來，因為此次結果我僅使用了4次epochs，所以對於小的區域的檢測結果可能不太准確。
最后使用當前訓練結果重新進行demo.jpg的測試
補充說明：
我直接使用tools文件夾下的train.py與test.py文件，會出現之前的ImportError，無法找到deform_conv_cuda等一系列的文件，所以我直接將train.py和test.py文件復制到mmdetection項目文件夾下，之后運行就沒有問題了。
如果想要在本地上直接跑mmdetection的測試代碼，使用軟件為Pycharm，可以參見另一篇博客：Pycharm配置服務器中conda創建的虛擬python環境
完成Python環境的配置后，不過此時直接測試test.py仍然會出現問題，”cannot connect to X server.” 這是由於Linux的圖形顯示通過X server實現，在客戶端進行訪問時，需要server對其賦予權限。我將圖形結果不顯示，直接保存下來：
