Instalación
El entorno de ejecución de SSCMA depende de PyTorch y varias bibliotecas de terceros de OpenMMLab. Puedes encontrar el código de SSCMA en GitHub. Para comenzar, asegúrate de tener PyTorch instalado localmente siguiendo las instrucciones aquí, y luego obtén las bibliotecas necesarias de OpenMMLab.
- MMCV: Biblioteca de Fundamentos de Visión por Computadora de OpenMMLab.
- MMClassification: Kit de herramientas de clasificación de imágenes y benchmarking de OpenMMLab. Además de las tareas de clasificación, también se utiliza para proporcionar una variedad de redes backbone.
- MMDetection: Kit de herramientas de detección y benchmark de OpenMMLab.
- MMPose: Kit de herramientas de inspección y benchmark de OpenMMLab.
- MIM: MIM proporciona una interfaz unificada para iniciar e instalar el proyecto OpenMMLab y sus extensiones, y gestionar la biblioteca de modelos de OpenMMLab.
Prerrequisitos
SSCMA funciona en Linux, Windows y macOS. Te recomendamos encarecidamente usar Miniconda para gestionar los paquetes de python. Por favor, sigue los pasos a continuación para preparar el entorno.
Miniconda es un instalador mínimo gratuito para conda, puedes descargar e instalar Miniconda3 desde el Sitio Web Oficial de Miniconda.
Paso 0 - Clonar el Repositorio Git
Primero, necesitas clonar el Código Fuente de SSCMA localmente. Usamos Git para gestionarlo y alojarlo en GitHub, y proporcionamos dos formas diferentes de clonarlo a continuación (elige cualquiera de las dos). Si no tienes Git instalado, puedes configurar Git en tu computadora consultando la Documentación de Git.
- HTTPS
- SSH
git clone https://github.com/Seeed-Studio/ModelAssistant.git --depth 1 && \
cd ModelAssistant
git clone [email protected]:Seeed-Studio/ModelAssistant.git --depth 1 && \
cd ModelAssistant
Paso 1 - Crear Entorno Virtual
Asumiendo que tienes conda instalado, entonces crea y activa un entorno virtual de conda.
conda create --name sscma python=3.8 -y && \
conda activate sscma
Paso 2 - Instalar PyTorch
SSCMA depende de PyTorch. Antes de ejecutar el siguiente código, por favor confirma nuevamente que has activado el entorno virtual que acabas de crear.
Para dispositivos con GPUs (CUDA), recomendamos instalar dependencias que soporten aceleración por GPU. Hemos listado las opciones de configuración que puedes elegir en 2 casos diferentes, por favor elige manualmente según tu entorno de hardware.
- Plataforma solo CPU:
- conda
- pip
conda install pytorch torchvision torchaudio cpuonly -c pytorch
pip3 install torch torchvision torchaudio
- Plataforma GPUs (CUDA):
- conda
- pip
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 cudatoolkit=11.7 -c pytorch -c nvidia
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
Puedes encontrar instaladores de CUDA en el Sitio Web del Archivo de NVIDIA CUDA Toolkit si tu plataforma no tiene CUDA instalado para GPUs NVIDIA, recomendamos usar CUDA 11.7 o superior en tu entorno host. Para instalar PyTorch en otras plataformas, por favor lee más en el Sitio Web Oficial de PyTorch.
Paso 3 - Instalar Dependencias Esenciales
Por favor confirma que has activado el entorno virtual y estás en el directorio de trabajo principal del código fuente de SSCMA, y luego ejecuta el siguiente código para completar la configuración de las dependencias básicas.
- Instalar dependencias de SSCMA
pip3 install -r requirements/base.txt && \
mim install -r requirements/mmlab.txt && \
mim install -e .
Paso 4 - Instalar Dependencias Adicionales (Opcional)
Si necesitas realizar transformación de modelos o pruebas de inferencia, también necesitas instalar las siguientes dependencias adicionales.
pip3 install -r requirements/inference.txt -r requirements/export.txt
Si deseas realizar cambios en SSCMA y enviárnoslos, recomendamos que ejecutes adicionalmente el siguiente comando para facilitar la verificación de tu código en el momento del commit.
pip3 install -r requirements/tests.txt
pre-commit install
Otro Método
La configuración del entorno de SSCMA se puede realizar automáticamente usando un script de shell en Linux (probado en Ubuntu 20.04~22.10), si tienes Conda configurado.
bash scripts/setup_linux.sh
O puedes hacer la configuración manualmente usando el archivo de configuración de Conda.
- CPU
- GPU (CUDA)
conda env create -n sscma -f environment.yml && \
conda activate sscma && \
pip3 install -r requirements/inference.txt -r requirements/export.txt -r requirements/tests.txt && \
mim install -r requirements/mmlab.txt && \
mim install -e .
conda env create -n sscma -f environment_cuda.yml && \
conda activate sscma && \
pip3 install -r requirements/inference.txt -r requirements/export.txt -r requirements/tests.txt && \
mim install -r requirements/mmlab.txt && \
mim install -e .
Recordatorios
Después de completar la instalación de Miniconda y configurar SSCMA con Conda, creamos un entorno virtual de Conda llamado sscma
e instalamos las dependencias en el entorno virtual. Para la configuración y desarrollo posteriores relacionados con SSCMA, asegúrate de estar en el entorno virtual de SSCMA, que puedes activar con el siguiente comando.
conda activate sscma
Si deseas reconfigurar o eliminar el entorno virtual de SSCMA, puedes ejecutar el siguiente comando.
conda env remove -n sscma
Preguntas Frecuentes
-
Tengo una velocidad de conexión lenta al instalar paquetes desde los canales predeterminados de anaconda.
Por favor, ten paciencia y prueba algunos canales espejo de terceros, como SJTU mirror, TUNA mirror y otros.