MMDetection 支持在 Linux，Windows 和 macOS 上運行。它需要 Python 3.7 以上，CUDA 9.2
以上和 PyTorch 1.8 及其以上。

MMDetection 至今也一直更新很多個版本了，但是對于最新的pytorch版本仍然不支持，我安裝的時候仍然多次遇到mmcy與pytorch版本不對應的情況，因此總結以下可用的安裝方案。

1、創建并激活Conda 虛擬環境

conda create --name openmmlab python=3.8 -y
conda activate openmmlab

2、安裝Pytorch

首先查看自己電腦的 CUDA 版本

nvidia-smi

輸出：

可以看到當前系統安裝了 NVIDIA 驅動程序（版本 570.124.04），并且有兩個 NVIDIA RTX A5500 GPU，CUDA 版本為 12.8。

我的是 CUDA12.8，但是安裝與 12.8 對應的 Torch 時，后面會出現與 mmcv 版本不匹配的問題，從而導致安裝失敗。

因此，我在這里選擇了 CUDA 11.8 版本的 Torch，pytorch 的下載鏈接在這里（PyTorch 以前版本），往下拉，選擇合適的 pytorch。雖然現在已經到了 2.X 的 PyTorch，但是 mmcv 的版本更新并沒有 PyTorch 快，因此，為了與 mmcv 保持版本對應一致，這里選擇了 2.1.0 版本的 Torch。

# CUDA 11.8
conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia

安裝成功后可以通過以下命令查看安裝的版本信息：

 conda list torch

可以看到我在虛擬環境中再安裝了一個 PyTorch 版本的 CUDA 版本：

驗證安裝是否成功：

python -c "import torch; print(torch.cuda.is_available())"

顯示為 True 則表示安裝成功，若顯示為 False 則未安裝成功，需要排查原因重新安裝。

3、安裝 mmcv

首先要安裝 mim、 mmengine

pip install -U openmim
mim install mmengine

安裝mmcv這里需要注意一下，因為非常容易出錯，需要選擇合適的版本，選擇版本的地址在這里（mmcv版本），mmcv 建議不要選擇太高，最好在 2.0.0-2.1 之間。因為在上一步的安裝中，我們安裝的是 torch2.1.0 版本，這里一步選擇下拉框中的選擇 cuda11.8 ，torch2.1.x 以及后面 mmcv2.1.0，這幾個一定保持對應，否則后面再安裝完成后測試的時候，會因為版本不對應出錯。

mmcv安裝命令：

pip install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html

當然這里也可以選擇torch別的版本，截止目前，mmdetection中mmcv支持的最高torch版本是2.1.x

4、安裝 mmdet

方案 a：如果你開發并直接運行 mmdet，從源碼安裝它：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -v -e .
# "-v" 指詳細說明，或更多的輸出
# "-e" 表示在可編輯模式下安裝項目，因此對代碼所做的任何本地修改都會生效，從而無需重新安裝。

方案 b【推薦】：如果你將 mmdet 作為依賴或第三方 Python 包，使用 MIM 安裝：

mim install mmdet -i https://pypi.tuna.tsinghua.edu.cn/simple

5、驗證安裝

為了驗證 MMDetection 是否安裝正確，我們提供了一些示例代碼來執行模型推理。
步驟 1. 我們需要下載配置文件和模型權重文件。

mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .

下載將需要幾秒鐘或更長時間，這取決于你的網絡環境。完成后，你會在當前文件夾中發現兩個文件 rtmdet_tiny_8xb32-300e_coco.py 和 rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth。

步驟 2. 推理驗證。
方案 a：如果你通過源碼安裝的 MMDetection，那么直接運行以下命令進行驗證：

python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --device cpu

你會在當前文件夾中的 outputs/vis 文件夾中看到一個新的圖像 demo.jpg，圖像中包含有網絡預測的檢測框。

方案 b：如果你通過 MIM 安裝的 MMDetection，那么可以打開你的 Python 解析器，復制并粘貼以下代碼：

from mmdet.apis import init_detector, inference_detectorconfig_file = 'rtmdet_tiny_8xb32-300e_coco.py'
checkpoint_file = 'rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth'
model = init_detector(config_file, checkpoint_file, device='cpu')  # or device='cuda:0'
inference_detector(model, 'demo/demo.jpg')

你將會看到一個包含 DetDataSample 的列表，預測結果在 pred_instance 里，包含有檢測框，類別和得分。

如果輸出以下內容，則表示安裝成功了：

雖然有個警告，但是不影響，因為沒傳save_dir參數，加上就好了

結束

到這里就算安裝完成了，下次有時間整理下我用MMDetection訓練自己的實例分割數據集，以及一些模型改進優化技巧