1、安装anaconda
2、更新gcc到4.9以上
gcc -std=c++11 test.cpp
测试代码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、安装mmdetection
1）创建conda虚拟环境并激活，然后安装cpython
conda create -n open-mmlab python=3.7 -y conda activate open-mmlab conda install cython
2）查看本机是否支持GPU
lspci | grep -i nvidia
安装pytorch(>=1.0) # 可以直接通过pytorch的官网查看安装命令
3）克隆mmdetection仓库
git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection
# 2019年7月27日更新后的mmdetection，将compile和install放在一个脚本中
# 编译cuda
# ./compile.sh
4）安装mmdetection
# 之前使用的是
python setup.py install # 或 pip install .
出现问题，不能将.c文件成功转译成py文件，导致引用的很多由.c文件定义的conv与pool无法使用。出现ImportError的相关错误：
python setup.py develop # or “pip install -e .”
# 在使用过程中遇到的问题可以在mmdetection的github中的issues中询问或查找
4、mmdetection的使用
对于mmdetection框架的使用，可以直接参考github上给出的样例，提取出需要使用的代码即可，我是用的是demo文件夹下的图片，同时
Test.py
测试结果
训练：
python tools/train.py <config_filepath> [--gpus num]
在进行数据集的训练时，可以看tools文件夹下的train.py代码，一般需要自己配置的只有work_dirs，以及gpus：
--work_dirs：结果保存路径。也可以在config文件中进行配置
--gpus：训练时使用的gpu的数量。
使用config文件中包含使用的框架、数据集信息，以及训练中的一些参数配置。
使用config文件中包含使用的框架、数据集信息，以及训练中的一些参数配置。可以直接使用mmdetection的configs文件夹下的配置文件，需要针对性修改一些信息，如数据库的类型dataset_type以及数据库的路径data_root，其次train与test数据信息中的标注文件的路径ann_file，图片路径img_prefix。
训练完成后，在work_dirs定义的文件夹下会出现每次迭代输出的信息，以及每次epoch完成后的参数结果：
此时在测试时，就可以直接使用自己训练好的checkpoints（就是.pth文件）了。
我使用的是faster_rcnn_r50_fpn_1x的相应配置，使用coco2017的数据集，此次只使用了4个epoch得到结果，下图使用tools/analyze_logs.py文件对一些数据plot，其中包括loss_rpn_cls、loss_rpn_bbox、loss_cls、loss_bbox以及loss：
使用参考mmdetection的github中给出的方法：
python tools/analyze_logs.py plot_curve <json文件> --keys <parameters list> --legend <legends>
其中：
<json文件>：就是训练过程中生成的json文件的路径 <parameters list>：需要plot的数据名称，需要时json文件中存在的 <legends>：对应parameters list的标签
测试：
使用官方提供的测试命令：
python tools/test.py <config_filepath> <checkpoint> [...]
在测试过程中，使用tools/test.py文件，test.py文件必须要参数包括config、checkpoint，以及(--out, --show, --json_out)三个中的一个，其中：
--config：配置文件，使用训练使用的配置文件 --checkpoint：参数数据，使用work_dirs下的任一.pth文件 --out：输出路径，使用.pkl结尾的文件名 --json_out：输出为json类型的数据
使用show结果会被一张张的显示出来，因为此次结果我仅使用了4次epochs，所以对于小的区域的检测结果可能不太准确。
最后使用当前训练结果重新进行demo.jpg的测试
补充说明：
我直接使用tools文件夹下的train.py与test.py文件，会出现之前的ImportError，无法找到deform_conv_cuda等一系列的文件，所以我直接将train.py和test.py文件复制到mmdetection项目文件夹下，之后运行就没有问题了。
如果想要在本地上直接跑mmdetection的测试代码，使用软件为Pycharm，可以参见另一篇博客：Pycharm配置服务器中conda创建的虚拟python环境
完成Python环境的配置后，不过此时直接测试test.py仍然会出现问题，”cannot connect to X server.” 这是由于Linux的图形显示通过X server实现，在客户端进行访问时，需要server对其赋予权限。我将图形结果不显示，直接保存下来：
