本博客基于下列文档整理得到，有兴趣的同学可以直接阅读原文。

GitHub - MMDetection

GitHub - MMCV

GitHub - MmDetection3D

官方说明文档 - MMDetection

官方说明文档 - MMDetection3D

官方说明文档 - MMCV

MMDetection教程（西安交通大学）

MMDetection概述

MMDetection是MMLab家族的一员，是由香港中文大学和商汤科技共同推出的，以一个统一的架构支撑了15个大方向的研究领域。MMDetection依赖Pytorch和MMCV，因此安装之前需要先安装这两个库。

Step1: Anaconda虚拟环境搭建

打开Anaconda Prompt，创建一个新的虚拟环境mmlab。注意我这里选择了python3.6，因为在python3.7下出现了mmdet3d.apis中的类无法无法import的情况（但mmdet3d可以import），暂时不清楚原因。

conda create -n mmlab python=3.6

然后切换到该环境下：

activate mmlab

Step2: Pytorch安装

根据Pytorch官网的教程安装Pytorch，注意根据自己电脑的CUDA版本选择。在命令行运行nvcc -V查看当前cuda版本：

另外，当前（2021.10.23）MMCV最新仅支持到pytorch-1.9，安装最新的pytorch1.10会导致MMDetection无法使用，因此安装的时候需要指定pytorch版本为1.9。

conda install pytorch==1.9.1 torchvision torchaudio cudatoolkit=10.2 -c pytorch

验证pytorch安装成功：

Step3: MMCV安装

MMCV有两mmcv-full和mmcv两个版本，两者差别在于是否包含CUDA操作，如果不需要使用CUDA可以安装mmcv，不过官方还是推荐安装完整版的mmcv-full，如果处于服务器这类无法联网的环境，可以参照官方说明使用源码安装：Build MMCV from source。

pip install mmcv-full

Step4: MMDetection安装

首先从github上下载mmdetection的源码，然后根据requirements.txt安装所需的依赖库，最后执行setup.py安装mmdetection。

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

官方提供了Demo验证安装是否成功，位于./demo文件夹下。先新建一个demo_test工程，下载预训练模型（下载链接）放至test_demo\checkpoints文件下，新建main.py并运行：

import os

from mmdet.apis import init_detector, inference_detector


def demo_mmdet():
    base_dir = r'D:\Program Files\Third_Part_Lib\mmdetection'       # mmdetection的安装目录

    config_file = os.path.join(base_dir, r'configs\faster_rcnn\faster_rcnn_r50_fpn_1x_coco.py')
    # download the checkpoint from model zoo and put it in `checkpoints/`
    # url: https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
    checkpoint_file = r'checkpoints\faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth'

    # 根据配置文件和 checkpoint 文件构建模型
    model = init_detector(config_file, checkpoint_file, device='cuda:0')

    # 测试单张图片并展示结果
    img = os.path.join(base_dir, r'demo\demo.jpg') # 或者 img = mmcv.imread(img)，这样图片仅会被读一次
    result = inference_detector(model, img)
    # 在一个新的窗口中将结果可视化
    model.show_result(img, result, out_file=None, show=True)


if __name__ == '__main__':
    demo_mmdet()

运行成功效果如下：

Step5: MMDetection3D安装

MMDetection3D依赖MMSegmentation，先安装MMSegmentation：

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

然后再安装MMDetection3D，这一步编译时间可能会久一点。

git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -r requirements.txt
python setup.py develop

最后再利用官方提供的Demo，先下载预训练模型（下载链接）放至test_demo\checkpoints文件下，然后运行下面代码：

import os
from mmdet3d.apis import inference_detector, init_model, show_result_meshlab


def demo_mmdet3d():
    base_dir = r'D:\Program Files\Third_Part_Lib\mmdetection3d'  # mmdetection3d的安装目录

    config_file = os.path.join(base_dir, r'configs\second/hv_second_secfpn_6x8_80e_kitti-3d-car.py')
    # download the checkpoint from model zoo and put it in `checkpoints/`
    # url: https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
    checkpoint_file = r'checkpoints\hv_second_secfpn_6x8_80e_kitti-3d-car_20200620_230238-393f000c.pth'
    # build the model from a config file and a checkpoint file
    model = init_model(config_file, checkpoint_file, device='cuda:0')

    # test a single bin
    pcd = os.path.join(base_dir, r'demo/data/kitti/kitti_000008.bin')
    result, data = inference_detector(model, pcd)
    # show the results
    show_result_meshlab(
        data,
        result,
        '',
        0,
        show=True,
        snapshot=False,
        task='det')


if __name__ == '__main__':
    demo_mmdet3d()