Skip to content

Latest commit

 

History

History
244 lines (170 loc) · 10 KB

install.md

File metadata and controls

244 lines (170 loc) · 10 KB
Raw

安装

本文档提供了安装 MMAction2 的相关步骤。

安装依赖包

  • Linux (Windows 系统暂未有官方支持)
  • Python 3.6+
  • PyTorch 1.3+
  • CUDA 9.2+ (如果要从源码对 PyTorch 进行编译, CUDA 9.0 版本同样可以兼容)
  • GCC 5+
  • mmcv 1.1.1+
  • Numpy
  • ffmpeg (4.2 版本最佳)
  • decord (可选项, 0.4.1+)：使用 pip install decord==0.4.1 命令安装其 CPU 版本，GPU 版本需从源码进行编译。
  • PyAV (可选项)：conda install av -c conda-forge -y。
  • PyTurboJPEG (可选项)：pip install PyTurboJPEG。
  • denseflow (可选项)：可参考 这里 获取简便安装步骤。
  • moviepy (可选项)：pip install moviepy. 官方安装步骤可参考 这里。特别地，如果安装过程碰到 这个问题，可参考：
    1. 对于 Windows 用户, ImageMagick 将不会被 MoviePy 自动检测到，用户需要对 moviepy/config_defaults.py 文件进行修改，以提供 ImageMagick 的二进制文件（即，magick）的路径，如 IMAGEMAGICK_BINARY = "C:\\Program Files\\ImageMagick_VERSION\\magick.exe"
    2. 对于 Linux 用户, 如果 ImageMagick 没有被 moviepy 检测到，用于需要对 /etc/ImageMagick-6/policy.xml 文件进行修改，把文件中的 <policy domain="path" rights="none" pattern="@*" /> 代码行修改为 <!-- <policy domain="path" rights="none" pattern="@*" /> -->。
  • Pillow-SIMD (可选项)：可使用如下脚本进行安装：
conda uninstall -y --force pillow pil jpeg libtiff libjpeg-turbo
pip   uninstall -y         pillow pil jpeg libtiff libjpeg-turbo
conda install -yc conda-forge libjpeg-turbo
CFLAGS="${CFLAGS} -mavx2" pip install --upgrade --no-cache-dir --force-reinstall --no-binary :all: --compile pillow-simd
conda install -y jpeg libtiff

注意：用户需要首先运行 pip uninstall mmcv 命令，以确保 mmcv 被成功安装。 如果 mmcv 和 mmcv-full 同时被安装, 会报 ModuleNotFoundError 的错误。

准备环境

a. 创建并激活 conda 虚拟环境，如：

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

b. 根据 官方文档 进行 PyTorch 和 torchvision 的安装，如：

conda install pytorch torchvision -c pytorch

注：确保 CUDA 的编译版本和 CUDA 的运行版本相匹配。 用户可以参照 PyTorch 官网 对预编译包所支持的 CUDA 版本进行核对。

例 1：如果用户的 /usr/local/cuda 文件夹下已安装 CUDA 10.1 版本，并且想要安装 PyTorch 1.5 版本， 则需要安装 CUDA 10.1 下预编译的 PyTorch。

conda install pytorch cudatoolkit=10.1 torchvision -c pytorch

例 2：如果用户的 /usr/local/cuda 文件夹下已安装 CUDA 9.2 版本，并且想要安装 PyTorch 1.3.1 版本， 则需要安装 CUDA 9.2 下预编译的 PyTorch。

conda install pytorch=1.3.1 cudatoolkit=9.2 torchvision=0.4.2 -c pytorch

如果 PyTorch 是由源码进行编译安装（而非直接下载预编译好的安装包），则可以使用更多的 CUDA 版本（如 9.0 版本）。

MMAction2 的安装步骤

这里推荐用户使用 MIM 安装 MMAction2。

pip install git+https://github.com/open-mmlab/mim.git
mim install mmaction2 -f https://github.com/open-mmlab/mmaction2.git

MIM 可以自动安装 OpenMMLab 项目及其依赖。

或者，用户也可以通过以下步骤手动安装 MMAction2。

a. 安装 mmcv-full，我们推荐您安装以下预构建包：

# pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.10.0/index.html

PyTorch 在 1.x.0 和 1.x.1 之间通常是兼容的，故 mmcv-full 只提供 1.x.0 的编译包。如果你的 PyTorch 版本是 1.x.1，你可以放心地安装在 1.x.0 版本编译的 mmcv-full。

# 我们可以忽略 PyTorch 的小版本号
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.10/index.html

可查阅 这里 以参考不同版本的 MMCV 所兼容的 PyTorch 和 CUDA 版本。

另外，用户也可以通过使用以下命令从源码进行编译：

git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
MMCV_WITH_OPS=1 pip install -e .  # mmcv-full 包含一些 cuda 算子，执行该步骤会安装 mmcv-full（而非 mmcv）
# 或者使用 pip install -e .  # 这个命令安装的 mmcv 将不包含 cuda ops，通常适配 CPU（无 GPU）环境
cd ..

或者直接运行脚本：

pip install mmcv-full

注意：如果 mmcv 已经被安装，用户需要使用 pip uninstall mmcv 命令进行卸载。如果 mmcv 和 mmcv-full 同时被安装, 会报 ModuleNotFoundError 的错误。

b. 克隆 MMAction2 库。

git clone https://github.com/open-mmlab/mmaction2.git
cd mmaction2

c. 安装依赖包和 MMAction2。

pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

如果是在 macOS 环境安装 MMAction2，则需使用如下命令：

CC=clang CXX=clang++ CFLAGS='-stdlib=libc++' pip install -e .

d. 安装 mmdetection 以支持时空检测任务。

如果用户不想做时空检测相关任务，这部分步骤可以选择跳过。

可参考 这里 进行 mmdetection 的安装。

注意：

  1. 在步骤 b 中，git commit 的 id 将会被写到版本号中，如 0.6.0+2e7045c。这个版本号也会被保存到训练好的模型中。 这里推荐用户每次在步骤 b 中对本地代码和 github 上的源码进行同步。如果 C++/CUDA 代码被修改，就必须进行这一步骤。

  2. 根据上述步骤，MMAction2 就会以 dev 模式被安装，任何本地的代码修改都会立刻生效，不需要再重新安装一遍（除非用户提交了 commits，并且想更新版本号）。

  3. 如果用户想使用 opencv-python-headless 而不是 opencv-python，可再安装 MMCV 前安装 opencv-python-headless。

  4. 如果用户想使用 PyAV，可以通过 conda install av -c conda-forge -y 进行安装。

  5. 一些依赖包是可选的。运行 python setup.py develop 将只会安装运行代码所需的最小要求依赖包。 要想使用一些可选的依赖包，如 decord，用户需要通过 pip install -r requirements/optional.txt 进行安装， 或者通过调用 pip（如 pip install -v -e .[optional]，这里的 [optional] 可替换为 all，tests，build 或 optional） 指定安装对应的依赖包，如 pip install -v -e .[tests,build]。

CPU 环境下的安装步骤

MMAction2 可以在只有 CPU 的环境下安装（即无法使用 GPU 的环境）。

在 CPU 模式下，用户可以运行 demo/demo.py 的代码。

利用 Docker 镜像安装 MMAction2

MMAction2 提供一个 Dockerfile 用户创建 docker 镜像。

# 创建拥有 PyTorch 1.6.0, CUDA 10.1, CUDNN 7 配置的 docker 镜像.
docker build -f ./docker/Dockerfile --rm -t mmaction2 .

注意：用户需要确保已经安装了 nvidia-container-toolkit。

运行以下命令：

docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/mmaction2/data mmaction2

源码安装 MMAction2

这里提供了 conda 下安装 MMAction2 并链接数据集路径的完整脚本（假设 Kinetics-400 数据的路径在 $KINETICS400_ROOT）。

conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab

# 安装最新的，使用默认版本的 CUDA 版本（一般为最新版本）预编译的 PyTorch 包
conda install -c pytorch pytorch torchvision -y

# 安装最新版本的 mmcv 或 mmcv-full，这里以 mmcv 为例
pip install mmcv

# 安装 mmaction2
git clone https://github.com/open-mmlab/mmaction2.git
cd mmaction2
pip install -r requirements/build.txt
python setup.py develop

mkdir data
ln -s $KINETICS400_ROOT data

在多个 MMAction2 版本下进行开发

MMAction2 的训练和测试脚本已经修改了 PYTHONPATH 变量，以确保其能够运行当前目录下的 MMAction2。

如果想要运行环境下默认的 MMAction2，用户需要在训练和测试脚本中去除这一行：

PYTHONPATH="$(dirname $0)/..":$PYTHONPATH

安装验证

为了验证 MMAction2 和所需的依赖包是否已经安装成功， 用户可以运行以下的 python 代码，以测试其是否能成功地初始化动作识别器，并进行演示视频的推理：

import torch
from mmaction.apis import init_recognizer, inference_recognizer

config_file = 'configs/recognition/tsn/tsn_r50_video_inference_1x1x3_100e_kinetics400_rgb.py'
device = 'cuda:0' # 或 'cpu'
device = torch.device(device)

model = init_recognizer(config_file, device=device)
# 进行演示视频的推理
inference_recognizer(model, 'demo/demo.mp4')