Win10下 Swin Transformer目标检测环境配置流程

Win10下 Swin-Transformer目标检测环境;对于第一次配置mmdetection的同学可能有所帮助。

1.版本环境介绍

Window 10
Visual Studio 2017
python3.7
cuda 10.0
cudnn 7.6.5
pytorch 1.8.0
torchvision 0.9.0
mmcv-full 1.3.8
项目源码下mmdet 2.11.0

2.mmcv-full

  • 这里需要先安装好pytorch 1.8与vs 2017,并将vs 2017的cl.exe添加环变量;

添加下述文件夹至环境变量;由于安装路径不同,个人路径不同。
#####\Microsoft Visual Studio\2017\Community\VC\Tools\MSVC\14.####\bin\Hostx86\x64

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

#build
python setup.py build_ext
# install
python setup.py develop
  • 最后pip list 查看mmcv版本,当前是版本:1.3.8 。

3.项目下的mmdet安装

  • 切换到Swin-Transformer-Object-Detection项目下,项目代码包含了mmdet库,然后编译安装mmdet。
cd Swin-Transformer-Object-Detection-master
#安装所有依赖
pip install -r requirements.txt 
#编译安装mmdet
python setup.py develop
  • 最后pip list 查看mmdet版本,当前是版本:2.11.0 。

4.apex安装

git clone https://github.com/NVIDIA/apex
cd apex-master
#编译安装
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" .
  • 最后pip list 查看apex版本,当前是版本:0.1 。

5.demo

  • 首先下载官网预训练模型及对应config;

这里我下载了 :Swin-T (mask_rcnn)
mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py
mask_rcnn_swin_tiny_patch4_window7_1x.pth

#单图像推理
python demo/image_demo.py demo/demo.jpg configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py ./checkpoints/mask_rcnn_swin_tiny_patch4_window7_1x.pth
#摄像头推理
python demo/webcam_demo.py configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py ./checkpoints/mask_rcnn_swin_tiny_patch4_window7_1x.pth
#视频推理并显示
python demo/video_demo.py ./demo/demo.mp4 configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_1x_coco.py ./checkpoints/mask_rcnn_swin_tiny_patch4_window7_1x.pth --show

在这里插入图片描述

6.参考地址

原文地址:https://arxiv.org/abs/2103.14030
项目地址:https://github.com/SwinTransformer/Swin-Transformer-Object-Detection
mmcv文档:https://mmcv.readthedocs.io/en/latest/build.html
apex:https://github.com/NVIDIA/apex

版权声明:本文为CSDN博主「炼丹去了」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/djj199301111/article/details/118344286

炼丹去了

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

Meta-DETR | 图像级“元”学习提升目标检测精度

计算机视觉研究院专栏作者:Edison_GOne-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案,它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类

AP AR mAP ROC AUC(目标检测)

禁止转载!在做目标检测任务的时候,通常会制定规则来评估性能,就如下图所示,后面会慢慢道来其中的原理。 混淆矩阵中 TP、TN、FP、FN
在目标检测中,通常以IoU阈值作为

瑕疵检测(深度学习)

与通用目标检测的区别
相较与整张图片瑕疵区域的占比一般非常小,Faster R-CNN等检测模型对小物体检测不够好
深度学习从低层到高层不断去提炼高层语义信息,层数的增大细节的信息丢失得越多,对于缺