从源码编译 MMCV¶
在 Linux 或者 macOS 上编译 MMCV¶
克隆算法库
git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
建议安装 ninja 以加快编译速度
pip install -r requirements/optional.txt
你可以安装 lite 版本
pip install -e .
也可以安装 full 版本
MMCV_WITH_OPS=1 pip install -e .
如果是在 macOS 上编译，则需要在安装命令前添加一些环境变量
CC=clang CXX=clang++ CFLAGS='-stdlib=libc++'
例如
CC=clang CXX=clang++ CFLAGS='-stdlib=libc++' MMCV_WITH_OPS=1 pip install -e .
注解
如果你打算使用 opencv-python-headless 而不是 opencv-python，例如在一个很小的容器环境或者没有图形用户界面的服务器中，你可以先安装 opencv-python-headless，这样在安装 mmcv 依赖的过程中会跳过 opencv-python
在 Windows 上编译 MMCV¶
在 Windows 上编译 MMCV 比 Linux 复杂，本节将一步步介绍如何在 Windows 上编译 MMCV。
依赖项¶
请首先安装以下的依赖项：
Git：安装期间，请选择 add git to Path
Visual Studio Community 2019：用于编译 C++ 和 CUDA 代码
Miniconda：包管理工具
CUDA 10.2：如果只需要 CPU 版本可以不安装 CUDA，安装CUDA时，可根据需要进行自定义安装。如果已经安装新版本的显卡驱动，建议取消驱动程序的安装
注解
您需要知道如何在 Windows 上设置变量环境，尤其是 “PATH” 的设置，以下安装过程都会用到。
设置 Python 环境¶
从 Windows 菜单启动 Anaconda 命令行
注解
如 Miniconda 安装程序建议，不要使用原始的 cmd.exe 或是 powershell.exe。命令行有两个版本，一个基于 PowerShell，一个基于传统的 cmd.exe。请注意以下说明都是使用的基于 PowerShell
创建一个新的 Conda 环境
conda create --name mmcv python=3.7 # 经测试，3.6, 3.7, 3.8 也能通过 conda activate mmcv # 确保做任何操作前先激活环境
安装 PyTorch 时，可以根据需要安装支持 CUDA 或不支持 CUDA 的版本
# CUDA version conda install pytorch torchvision cudatoolkit=10.2 -c pytorch # CPU version conda install pytorch torchvision cpuonly -c pytorch
准备 MMCV 源代码
git clone https://github.com/open-mmlab/mmcv.git cd mmcv安装所需 Python 依赖包
pip3 install -r requirements/runtime.txt
建议安装
ninja以加快编译速度pip install -r requirements/optional.txt
编译与安装 MMCV¶
MMCV 有三种安装的模式：
Lite 版本（不包含算子）
这种方式下，没有算子被编译，这种模式的 mmcv 是原生的 python 包
Full 版本（只包含 CPU 算子）
编译 CPU 算子，但只有 x86 将会被编译，并且编译版本只能在 CPU only 情况下运行
Full 版本（既包含 CPU 算子，又包含 CUDA 算子）
同时编译 CPU 和 CUDA 算子，
ops模块的 x86 与 CUDA 的代码都可以被编译。同时编译的版本可以在 CUDA 上调用 GPU
通用步骤¶
设置 MSVC 编译器
设置环境变量。添加
C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\VC\Tools\MSVC\14.27.29110\bin\Hostx86\x64到PATH，则cl.exe可以在命令行中运行，如下所示。(base) PS C:\Users\xxx> cl Microsoft (R) C/C++ Optimizing Compiler Version 19.27.29111 for x64 Copyright (C) Microsoft Corporation. All rights reserved. usage: cl [ option... ] filename... [ / link linkoption... ]
为了兼容性，我们使用 x86-hosted 以及 x64-targeted 版本，即路径中的
Hostx86\x64。因为 PyTorch 将解析
cl.exe的输出以检查其版本，只有 utf-8 将会被识别，你可能需要将系统语言更改为英语。控制面板 -> 地区-> 管理-> 非 Unicode 来进行语言转换。
安装方式一：Lite version（不包含算子）¶
在完成上述的公共步骤后，从菜单打开 Anaconda 命令框，输入以下命令
# 激活环境
conda activate mmcv
# 切换到 mmcv 根目录
cd mmcv
# 安装
python setup.py develop
# 检查是否安装成功
pip list
安装方式二：Full version（只编译 CPU 算子）¶
完成上述的公共步骤
设置环境变量
$env:MMCV_WITH_OPS = 1 $env:MAX_JOBS = 8 # 根据你可用CPU以及内存量进行设置
编译安装
conda activate mmcv # 激活环境 cd mmcv # 改变路径 python setup.py build_ext # 如果成功, cl 将被启动用于编译算子 python setup.py develop # 安装 pip list # 检查是否安装成功
安装方式三：Full version（既编译 CPU 算子又编译 CUDA 算子）¶
完成上述的公共步骤
设置环境变量
$env:MMCV_WITH_OPS = 1 $env:MAX_JOBS = 8 # 根据你可用CPU以及内存量进行设置
检查
CUDA_PATH或者CUDA_HOME环境变量已经存在在envs之中(base) PS C:\Users\WRH> ls env: Name Value ---- ----- CUDA_PATH C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2 CUDA_PATH_V10_1 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1 CUDA_PATH_V10_2 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2
如果没有，你可以按照下面的步骤设置
$env:CUDA_HOME = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2" # 或者 $env:CUDA_HOME = $env:CUDA_PATH_V10_2 # CUDA_PATH_V10_2 已经在环境变量中
设置 CUDA 的目标架构
$env:TORCH_CUDA_ARCH_LIST="6.1" # 支持 GTX 1080 # 或者用所有支持的版本，但可能会变得很慢 $env:TORCH_CUDA_ARCH_LIST="3.5 3.7 5.0 5.2 6.0 6.1 7.0 7.5"
注解
我们可以在 here 查看 GPU 的计算能力
编译安装
$env:MMCV_WITH_OPS = 1 $env:MAX_JOBS = 8 # 根据你可用CPU以及内存量进行设置 conda activate mmcv # 激活环境 cd mmcv # 改变路径 python setup.py build_ext # 如果成功, cl 将被启动用于编译算子 python setup.py develop # 安装 pip list # 检查是否安装成功
注解
如果你的 PyTorch 版本是 1.6.0，你可能会遇到一些这个 issue 提到的错误，则可以参考这个 pull request 修改 本地环境的 PyTorch 源代码
如果编译安装 mmcv 的过程中遇到了问题，你也许可以在 Frequently Asked Question 找到解决方法