MMYOLO安装教程：从零开始配置深度学习环境

【免费下载链接】mmyolo OpenMMLab YOLO series toolbox and benchmark. Implemented RTMDet, RTMDet-Rotated,YOLOv5, YOLOv6, YOLOv7, YOLOv8,YOLOX, PPYOLOE, etc. 项目地址: https://gitcode.com/gh_mirrors/mm/mmyolo

MMYOLO是OpenMMLab推出的YOLO系列工具箱和基准测试平台，支持RTMDet、YOLOv5、YOLOv6、YOLOv7、YOLOv8等多种主流目标检测算法。本教程将带你快速完成MMYOLO的环境配置，即使是深度学习新手也能轻松上手。

📋 准备工作：系统要求

在开始安装前，请确保你的环境满足以下基本要求：

• 操作系统：Linux (推荐Ubuntu 18.04+)
• Python 版本：3.8-3.11
• CUDA 版本：10.2 或更高（可选，用于GPU加速）
• PyTorch 版本：1.9.0 或更高

🔧 安装步骤

1. 安装MIM工具

MIM（OpenMMLab Install Manager）是OpenMMLab项目的官方包管理工具，我们首先需要安装它：

pip install -U openmim

2. 安装核心依赖库

MMYOLO依赖于MMEngine、MMCV和MMDetection，通过MIM可以一键安装这些核心库：

mim install "mmengine>=0.6.0"
mim install "mmcv>=2.0.0rc4,<2.1.0"
mim install "mmdet>=3.0.0,<4.0.0"

如果你已经下载了MMYOLO源码，也可以直接使用项目内的依赖文件安装：

cd mmyolo
mim install -r requirements/mminstall.txt

3. 克隆MMYOLO仓库

使用以下命令克隆官方仓库到本地：

git clone https://gitcode.com/gh_mirrors/mm/mmyolo
cd mmyolo

4. 安装MMYOLO

推荐使用可编辑模式安装，这样后续对代码的修改可以立即生效：

# 安装albumentations数据增强库
mim install -r requirements/albu.txt

# 安装MMYOLO
mim install -v -e .

5. 验证安装是否成功

安装完成后，我们可以通过一个简单的目标检测示例来验证环境是否配置正确：

步骤1：下载模型配置和权重文件

mim download mmyolo --config yolov5_s-v61_syncbn_fast_8xb16-300e_coco --dest .

步骤2：运行图像检测demo

python demo/image_demo.py demo/demo.jpg \
                         yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \
                         yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth

运行成功后，检测结果会保存在output文件夹中。你可以看到类似下面的检测效果：

这张示例图片展示了MMYOLO对户外场景中多种物体的检测效果，包括汽车、长椅和行人等。

🐳 使用Docker快速部署（可选）

如果你希望避免环境配置的麻烦，可以使用Docker容器化部署：

# 构建Docker镜像
docker build -t mmyolo docker/

# 运行容器
export DATA_DIR=/path/to/your/dataset
docker run --gpus all --shm-size=8g -it -v ${DATA_DIR}:/mmyolo/data mmyolo

❓ 常见问题解决

问题1：安装MMCV时编译失败

解决方案：确保已安装正确版本的CUDA和PyTorch，或安装不包含CUDA的精简版：

mim install "mmcv-lite>=2.0.0rc1"

问题2：运行demo时出现OpenCV冲突

解决方案：检查是否同时安装了opencv-python和opencv-python-headless，卸载其中一个即可：

pip uninstall opencv-python-headless

问题3：GPU内存不足

解决方案：使用--device cpu参数在CPU上运行，或减小输入图像尺寸。

🚀 开始你的目标检测之旅

恭喜！你已经成功安装并配置好了MMYOLO环境。现在你可以：

• 尝试更多模型：在configs/目录下有各种预定义的模型配置
• 运行视频检测：使用demo/video_demo.py处理视频文件
• 训练自定义数据集：参考官方文档中的数据集准备指南

MMYOLO提供了丰富的教程和示例，帮助你快速掌握目标检测技术。祝你在计算机视觉的旅程中取得成功！

【免费下载链接】mmyolo OpenMMLab YOLO series toolbox and benchmark. Implemented RTMDet, RTMDet-Rotated,YOLOv5, YOLOv6, YOLOv7, YOLOv8,YOLOX, PPYOLOE, etc. 项目地址: https://gitcode.com/gh_mirrors/mm/mmyolo