Skip to content

Latest commit

 

History

History
155 lines (105 loc) · 5.64 KB

Detectron_by_Docker.md

File metadata and controls

155 lines (105 loc) · 5.64 KB
Raw

参考资料

安装教程： https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md

快速开始： https://github.com/facebookresearch/Detectron/blob/master/GETTING_STARTED.md

Docker安装Detectron

1、下载Detectron源代码

$ git clone https://github.com/facebookresearch/Detectron.git

2、编译镜像

$ cd DETECTRON/docker
$ docker build -t detectron:c2-cuda9-cudnn7 .

查看镜像是否成功生成

pascal@490-pc-2:~$ docker image ls
REPOSITORY                 TAG                                                       IMAGE ID            CREATED             SIZE
detectron                  c2-cuda9-cudnn7                                           0131f1c609d3        30 hours ago        4.14GB

3、试运行镜像，运行测试代码后自动删除

$ nvidia-docker run --rm -it detectron:c2-cuda9-cudnn7 python detectron/tests/test_batch_permutation_op.py

4、进入容器，并挂载宿主机数据

$ nvidia-docker run -dit \
    --name pascal_ron \
    -v /home/pascal/data:/data \
    detectron:c2-cuda9-cudnn7 \
    bash

5、以后进入容器

$ nvidia-docker exec -it pascal_ron bash

Caffe2安装测试（Caffe2是否安装成功、打印GPU可用个数、运行测试代码）：

python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
python -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'
python /detectron/detectron/tests/test_batch_permutation_op.py

必要组件的安装

1、安装vim

sudo apt-get update
sudo apt-get install vim

2、更换Ubuntu软件源

备份原有的源列表

cd /etc/apt
cp sources.list sources.list.backup

更换源列表

vim /etc/apt/sources.list

在文件开头添加阿里源，具体参见 Ubuntu 18.04换国内源，亲测清华源不可用

deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse

更改后更新

sudo apt-get update

3、安装COCO API

sudo apt-get install python-tk

cd /cocoapi/PythonAPI
make
python setup.py install

安装测试：

python -c 'from pycocotools.coco import COCO' 2>/dev/null && echo "Success" || echo "Failure"

提交做好的镜像到Docker Hub

1、提交镜像到Docker Hub

$ docker commit \
    --author "pascal1129" \
    --message "detectron with vim, pycocotools, aliyun" \
    pascal_ron \
    pascal1129/detectron:caffe2_cuda9_aliyun
    
$ docker push pascal1129/detectron:caffe2_cuda9_aliyun

2、以后在其他环境使用

$ docker pull pascal1129/detectron:caffe2_cuda9_aliyun
$ nvidia-docker run -dit \
    --name pascal_ron \
    -v /home/pascal/data:/data \
    pascal1129/detectron:caffe2_cuda9_aliyun \
    bash
$ nvidia-docker exec -it pascal_ron bash

3、可以在~/.bashrc指定快捷命令

alias ron='nvidia-docker exec -it pascal_ron bash'

4、将detectron代码下载到到宿主data文件夹，便于借助WinSCP查看代码

~/data$ git clone https://github.com/facebookresearch/Detectron.git
~/data$ mv Detectron/ detectron
cd detectron
make
make ops

使用预训练模型测试

测试命令： Inference with Pretrained Models

该部分解说：使用Detectron进行目标检测 - 知乎

使用tools目录下内置的infer_simple.py 来使用预训练的模型来预测实际的照片，infer_simple.py里面调用的是detectron封装的vis_utils.vis_one_image API

python tools/infer_simple.py \
    --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    demo

  1. --cfg 用来指定配置文件

  2. --output-dir 指定生成结果存储的路径

  3. --image-ext jpg 规定寻找jpg后缀的文件；

  4. --wts 默认根据地址下载预训练模型存储在本地的/tmp目录下，也可以给定已经下载好的预训练模型的地址直接调用；

  5. demo 检测当前demo目录里jpg后缀的图片；

    python tools/infer_simple.py
    --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml
    --output-dir ../tmp/detectron-visualizations
    --image-ext jpg
    --wts ../tmp/model_final.pkl
    demo

这里的程序主要是检测demo/*.jpg，我修改了输出路径，便于查看，由于预训练模型也下载很艰难，我提前下载了。