Pular para o conteúdo principal

Instalação

O ambiente de execução do SSCMA depende do PyTorch e de várias bibliotecas de terceiros do OpenMMLab. Você pode encontrar o código do SSCMA no GitHub. Para começar, certifique-se de que o PyTorch esteja instalado localmente seguindo as instruções aqui, e depois obtenha as bibliotecas necessárias do OpenMMLab.

  • MMCV: Biblioteca de Fundamentos de Visão Computacional do OpenMMLab.
  • MMClassification: Kit de ferramentas e benchmarking de classificação de imagens do OpenMMLab. Além das tarefas de classificação, também é usado para fornecer uma variedade de redes backbone.
  • MMDetection: Caixa de ferramentas e benchmark de detecção do OpenMMLab.
  • MMPose: Caixa de ferramentas e benchmark de pose do OpenMMLab.
  • MIM: MIM fornece uma interface unificada para iniciar e instalar o projeto OpenMMLab e suas extensões, além de gerenciar a biblioteca de modelos do OpenMMLab.

Pré-requisitos​

SSCMA funciona em Linux, Windows e macOS. Recomendamos fortemente que você use o Miniconda para gerenciar pacotes Python. Siga as etapas abaixo para preparar o ambiente.

dica

Miniconda é um instalador mínimo gratuito para conda; você pode baixar e instalar o Miniconda3 pelo Site Oficial do Miniconda.

Etapa 0 - Clonar o Repositório Git​

Primeiro, você precisa clonar o Código-fonte do SSCMA localmente. Usamos Git para gerenciá-lo e hospedá-lo no GitHub, e fornecemos duas maneiras diferentes de cloná-lo abaixo (escolha uma delas). Se você não tiver o Git instalado, pode configurá-lo em seu computador consultando a Documentação do Git.

git clone https://github.com/Seeed-Studio/ModelAssistant.git --depth 1 && \
cd ModelAssistant

Etapa 1 - Criar Ambiente Virtual​

Supondo que você tenha o conda instalado, então crie e ative um ambiente virtual conda.

conda create --name sscma python=3.8 -y && \
conda activate sscma

Etapa 2 - Instalar o PyTorch​

SSCMA depende do PyTorch. Antes de executar o código a seguir, confirme novamente que você ativou o ambiente virtual que acabou de criar.

Para dispositivos com GPUs (CUDA), recomendamos instalar dependências que suportem aceleração por GPU. Listamos as opções de configuração que você pode escolher em 2 casos diferentes; escolha manualmente de acordo com o seu ambiente de hardware.

  • Plataforma somente CPU:
conda install pytorch torchvision torchaudio cpuonly -c pytorch
  • Plataforma com GPUs (CUDA):
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 cudatoolkit=11.7 -c pytorch -c nvidia
dica

Você pode encontrar instaladores CUDA no Site de Arquivo do NVIDIA CUDA Toolkit se sua plataforma não tiver CUDA instalado para GPUs NVIDIA; recomendamos usar CUDA 11.7 ou superior no ambiente do seu host. Para instalar o PyTorch em outras plataformas, leia mais no Site Oficial do PyTorch.

Etapa 3 - Instalar Dependências Essenciais​

Confirme que você ativou o ambiente virtual e está no diretório de trabalho principal do código-fonte do SSCMA, e então execute o código a seguir para concluir a configuração das dependências básicas.

  • Instalar dependências do SSCMA
pip3 install -r requirements/base.txt && \
mim install -r requirements/mmlab.txt && \
mim install -e .

Etapa 4 - Instalar Dependências Extras (Opcional)​

Se você precisar realizar transformação de modelos ou testes de inferência, também será necessário instalar as seguintes dependências adicionais.

pip3 install -r requirements/inference.txt -r requirements/export.txt

Se você deseja fazer alterações no SSCMA e enviá-las para nós, recomendamos que você execute adicionalmente o comando a seguir para facilitar a verificação do seu código no momento do commit.

pip3 install -r requirements/tests.txt
pre-commit install

Outro Método​

A configuração do ambiente do SSCMA pode ser feita automaticamente usando um script shell no Linux (testado no Ubuntu 20.04~22.10), se você tiver o Conda configurado.

bash scripts/setup_linux.sh

Ou você pode fazer a configuração manualmente usando o arquivo de configuração do Conda.

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 .

Lembretes​

Após concluir a instalação do Miniconda e configurar o SSCMA com o Conda, criamos um ambiente virtual Conda chamado sscma e instalamos as dependências nesse ambiente virtual. Para as configurações e o desenvolvimento subsequentes relacionados ao SSCMA, certifique-se de estar no ambiente virtual do SSCMA, que você pode ativar com o seguinte comando.

conda activate sscma

Se você quiser reconfigurar ou remover o ambiente virtual do SSCMA, pode executar o seguinte comando.

conda env remove -n sscma

FAQs​

  • Minha velocidade de conexão é lenta ao instalar pacotes a partir dos canais padrão do anaconda.

    Por favor, seja paciente e tente alguns canais espelhados de terceiros, como o espelho da SJTU, espelho da TUNA etc.

Loading Comments...