从源码编译 MMCV¶
编译 mmcv-full¶
在编译 mmcv-full 之前，请确保 PyTorch 已经成功安装在环境中，可以参考 PyTorch 官方安装文档。可使用以下命令验证
python -c 'import torch;print(torch.__version__)'
注解
如需编译 ONNX Runtime 自定义算子，请参考如何编译ONNX Runtime自定义算子
如需编译 TensorRT 自定义，请参考如何编译MMCV中的TensorRT插件
注解
如果克隆代码仓库的速度过慢，可以使用以下命令克隆（注意：gitee 的 mmcv 不一定和 github 的保持一致，因为每天只同步一次）
git clone https://gitee.com/open-mmlab/mmcv.git
如果打算使用
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。如果编译过程安装依赖库的时间过长，可以设置 pypi 源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
在 Linux 上编译 mmcv-full¶
| TODO: 视频教程
克隆代码仓库
git clone https://github.com/open-mmlab/mmcv.git cd mmcv安装
ninja和psutil以加快编译速度pip install -r requirements/optional.txt
检查 nvcc 的版本（要求大于等于 9.2，如果没有 GPU，可以跳过）
nvcc --version
上述命令如果输出以下信息，表示 nvcc 的设置没有问题，否则需要设置 CUDA_HOME
nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2020 NVIDIA Corporation Built on Mon_Nov_30_19:08:53_PST_2020 Cuda compilation tools, release 11.2, V11.2.67 Build cuda_11.2.r11.2/compiler.29373293_0
注解
如果想要支持 ROCm，可以参考 AMD ROCm 安装 ROCm。
检查 gcc 的版本（要求大于等于5.4）
gcc --version
开始编译（预估耗时 10 分钟）
MMCV_WITH_OPS=1 pip install -e . -v
验证安装
python .dev_scripts/check_installation.py
如果上述命令没有报错，说明安装成功。如有报错，请查看问题解决页面是否已经有解决方案。
如果没有找到解决方案，欢迎提 issue。
在 macOS 上编译 mmcv-full¶
| TODO: 视频教程
注解
如果你使用的 mac 是 M1 芯片，请安装 PyTorch 的 nightly 版本，否则会遇到 issues#2218 中的问题。
在 Windows 上编译 mmcv-full¶
| TODO: 视频教程
在 Windows 上编译 mmcv-full 比 Linux 复杂，本节将一步步介绍如何在 Windows 上编译 mmcv-full。
依赖项¶
请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
如果不清楚如何安装以上依赖，请参考Windows 环境从零安装 mmcv-full。 另外，你需要知道如何在 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。
通用步骤¶
从 Windows 菜单启动 Anaconda 命令行
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
(base) PS C:\Users\xxx> conda create --name mmcv python=3.7 (base) PS C:\Users\xxx> 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 (mmcv) PS C:\Users\xxx> conda install pytorch torchvision cudatoolkit=10.2 -c pytorch # CPU version (mmcv) PS C:\Users\xxx> conda install install pytorch torchvision cpuonly -c pytorch
克隆代码仓库
(mmcv) PS C:\Users\xxx> git clone https://github.com/open-mmlab/mmcv.git (mmcv) PS C:\Users\xxx> cd mmcv
安装
ninja和psutil以加快编译速度(mmcv) PS C:\Users\xxx\mmcv> pip install -r requirements/optional.txt
安装 mmcv 依赖
(mmcv) PS C:\Users\xxx\mmcv> pip install -r requirements/runtime.txt
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。(mmcv) PS C:\Users\xxx\mmcv> 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。
编译与安装 mmcv-full¶
mmcv-full 有两个版本：
只包含 CPU 算子的版本
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
既包含 CPU 算子，又包含 CUDA 算子的版本
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
CPU 版本¶
设置环境变量
(mmcv) PS C:\Users\xxx\mmcv> $env:MMCV_WITH_OPS = 1
编译安装
(mmcv) PS C:\Users\xxx\mmcv> python setup.py build_ext # 如果成功, cl 将被启动用于编译算子 (mmcv) PS C:\Users\xxx\mmcv> python setup.py develop # 安装
GPU 版本¶
设置环境变量
(mmcv) PS C:\Users\xxx\mmcv> $env:MMCV_WITH_OPS = 1
检查
CUDA_PATH或者CUDA_HOME环境变量已经存在在envs之中(mmcv) PS C:\Users\xxx\mmcv> 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
(mmcv) PS C:\Users\xxx\mmcv> $env:CUDA_HOME = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2" # 或者 (mmcv) PS C:\Users\xxx\mmcv> $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
# 这里需要改成你的显卡对应的目标架构 (mmcv) PS C:\Users\xxx\mmcv> $env:TORCH_CUDA_ARCH_LIST="7.5"
注解
可以点击 cuda-gpus 查看 GPU 的计算能力，也可以通过 CUDA 目录下的 deviceQuery.exe 工具查看
(mmcv) PS C:\Users\xxx\mmcv> &"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite\deviceQuery.exe" Device 0: "NVIDIA GeForce GTX 1660 SUPER" CUDA Driver Version / Runtime Version 11.7 / 11.1 CUDA Capability Major/Minor version number: 7.5
上面的 7.5 表示目标架构。注意：需把上面命令的 v10.2 换成你的 CUDA 版本。
编译安装
(mmcv) PS C:\Users\xxx\mmcv> python setup.py build_ext # 如果成功, cl 将被启动用于编译算子 (mmcv) PS C:\Users\xxx\mmcv> python setup.py develop # 安装
注解
如果你的 PyTorch 版本是 1.6.0，你可能会遇到一些 issue 提到的错误，你可以参考这个 pull request 修改本地环境的 PyTorch 源代码
编译 mmcv¶
如果你需要使用和 PyTorch 相关的模块，请确保 PyTorch 已经成功安装在环境中，可以参考 PyTorch 官方安装文档。
克隆代码仓库
git clone https://github.com/open-mmlab/mmcv.git cd mmcv开始编译
pip install -e . -v
验证安装
python -c 'import mmcv;print(mmcv.__version__)'
在 IPU 机器编译 mmcv¶
首先你需要有可用的 IPU 云机器，可以查看这里。
选项1: 使用 Docker¶
拉取镜像
docker pull graphcore/pytorch
编译 mmcv
选项2: 使用 SDK¶
编译 mmcv
参考 IPU PyTorch document 安装 sdk。
在昇腾 NPU 机器编译 mmcv-full¶
1. 安装 torch_npu¶
torch_npu 完整安装教程详见 PyTorch安装指南
2. 编译 MMCV NPU¶
拉取 MMCV 源码 进行编译安装
编译：
MMCV_WITH_OPS=1 MAX_JOBS=8 FORCE_NPU=1 python setup.py build_ext
安装：
MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py develop
验证：
import torch
import torch_npu
from mmcv.ops import softmax_focal_loss
x = torch.randn(3, 10).npu()
x.requires_grad = True
y = torch.tensor([1, 5, 3]).npu()
w = torch.ones(10).float().npu()
output = softmax_focal_loss(x, y, 2.0, 0.25, w, 'none')
使用说明：
注解
在 tensor 末尾加上 .npu() 就可以调用到 npu 算子