MMYOLO零基础上手配置指南

MMYOLO零基础上手配置指南

【免费下载链接】mmyoloOpenMMLab 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生态下的YOLO系列目标检测工具集，集成了RTMDet、YOLOv5/v6/v7/v8、YOLOX等主流算法，提供统一的训练、推理与部署接口。本文将帮助开发者快速完成环境配置，从依赖安装到模型验证，实现零基础上手目标检测开发。

环境检测步骤

在开始安装前，请确认系统满足以下要求：

• 基础环境：Linux (Ubuntu 18.04/20.04推荐) 或 Windows
• 核心依赖：
  • Python 3.7+
  • PyTorch 1.8+
  • CUDA 11.1+ (GPU支持时)
  • cuDNN (与CUDA版本匹配)

可通过以下命令检查Python和PyTorch版本：

python --version python -c "import torch; print('PyTorch:', torch.__version__); print('CUDA available:', torch.cuda.is_available())"

依赖安装指南

核心库安装

推荐使用MIM工具管理OpenMMLab生态依赖：

# 安装MIM工具 pip install -U openmim # 安装MMEngine、MMCV和MMDetection mim install "mmengine>=0.6.0" mim install "mmcv>=2.0.0rc4,<2.1.0" mim install "mmdet>=3.0.0,<4.0.0"

可选依赖安装

如需数据增强和特殊功能支持：

# 安装albumentations数据增强库 pip install -r requirements/albu.txt # 如需姿态估计功能 mim install -r requirements/mmpose.txt # 如需旋转目标检测功能 mim install -r requirements/mmrotate.txt

源码编译指南

项目克隆

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

源码安装

# 安装项目依赖 pip install -r requirements.txt # 以可编辑模式安装MMYOLO mim install -v -e .

⚠️ 注意：-e参数使代码修改实时生效，无需重新安装，适合开发场景

环境验证流程

模型与配置文件下载

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

推理测试

使用示例图片进行目标检测验证：

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

执行成功后，可在outputs目录查看检测结果：

Docker容器部署

构建镜像

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

常见问题排查

依赖冲突解决

• OpenCV冲突：卸载冲突版本后重新安装

  pip uninstall opencv-python opencv-python-headless pip install opencv-python

• CUDA版本不匹配：确保PyTorch与系统CUDA版本兼容

  # 查看PyTorch支持的CUDA版本 python -c "import torch; print(torch.version.cuda)"

运行时错误处理

• 显存不足：修改配置文件减小batch size
• 模型加载失败：检查 checkpoint 文件路径和完整性
• 推理速度慢：添加--device cuda:0参数启用GPU加速

进阶配置建议

性能优化

1. 启用混合精度训练：

   python tools/train.py configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py --amp

2. 多GPU分布式训练：

   bash tools/dist_train.sh configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py 8

大图片检测支持

使用large_image_demo.py处理高分辨率图像：

python demo/large_image_demo.py demo/large_image.jpg \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \ --out-dir outputs

模型导出部署

# 导出ONNX格式 python tools/model_converters/export_onnx.py \ configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \ yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \ --output-file yolov5s.onnx

总结

通过本文指南，您已完成MMYOLO的环境配置与基础验证。建议继续探索官方文档中的高级特性，如模型微调、自定义数据集训练和部署优化等功能。MMYOLO提供的统一接口和丰富算法支持，将帮助您高效开展目标检测相关研究与应用开发。

【免费下载链接】mmyoloOpenMMLab 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