1. 环境准备:从零搭建深度学习环境
刚接触MMDetection框架时,最让人头疼的就是环境配置。我清楚地记得第一次安装时,因为版本不匹配导致反复重装了5次CUDA。为了避免大家踩同样的坑,这里分享一套经过验证的环境搭建方案。
首先需要明确的是,MMDetection的运行依赖四个核心组件:Python解释器、PyTorch深度学习框架、CUDA计算平台以及MMCV基础库。这四个组件就像叠积木,任何一层不稳固都会导致整个系统崩溃。建议按照以下顺序进行安装:
- 确认显卡驱动版本:在命令行执行
nvidia-smi,右上角会显示最高支持的CUDA版本(比如12.2)。这个数字决定了后续所有组件的版本上限 - 安装Anaconda:推荐使用Python 3.8版本,这个版本在兼容性上表现最稳定
- 创建独立环境:
conda create -n mmdet python=3.8 -y
注意:千万不要直接使用系统默认的Python环境,后期出现依赖冲突时你会感谢这个决定
接下来是PyTorch安装,这里有个小技巧:与其在PyTorch官网复制安装命令,不如直接去下载预编译的whl文件。以CUDA 11.8环境为例,可以访问https://download.pytorch.org/whl/torch/ 找到对应版本的torch和torchvision,这样安装速度能快10倍不止。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. MMCV安装的三大陷阱
作为MMDetection的基石,MMCV的安装堪称新手劝退第一关。经过多次实践,我总结出三个最常见的坑点:
2.1 版本匹配的玄学
PyTorch、CUDA和MMCV的版本必须严格对应。比如PyTorch 2.0.1+cu118对应的MMCV应该是2.0.x系列。但文档里不会告诉你的是,PyTorch的小版本号(x.x.1和x.x.0)其实可以混用。也就是说,当你的PyTorch是1.8.1时,完全可以安装MMCV 1.8.0版本。
验证版本兼容性的黄金命令组合:
bash复制python -c "import torch; print(torch.__version__); print(torch.version.cuda)"
2.2 编译安装还是预编译包
MMCV提供两种安装方式:
