Detectron2 环境搭建
运行环境说明：
电脑环境：windows 11专业版
IDE：PyCharm Community Edition 2022.2.3
Python版本：Python 3.10
1、搭建虚拟环境
搭建虚拟环境的方法可以参考《YOLOv5安装开发环境》。
注意：
1、在《YOLOv5安装开发环境》中，tensorflow-cpu安装的版本是2.3.0，目前这个版本已经安装不了了，博主这里安装的是最新版2.11.0
2、在《YOLOv5安装开发环境》中，python版本用的是3.8，我这边用的是3.10，这个要注意一下。
创建虚拟环境
conda create -n detectron python==3.10 // 创建虚拟环境
conda activate detectron // 进入虚拟环境
通用数据包安装：
备用地址：https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorflow-cpu==2.11.0 -i https://mirror.baidu.com/pypi/simple
pip install pyqt5 pillow opencv-python matplotlib -i https://mirror.baidu.com/pypi/simple
以下数据包是运行Detectron2所必须的
pip install pycocotools==2.0.6 -i https://mirror.baidu.com/pypi/simple
pip install iopath==0.1.9 -i https://mirror.baidu.com/pypi/simple
pip install yacs -i https://mirror.baidu.com/pypi/simple
pip install black -i https://mirror.baidu.com/pypi/simple
pip install tabulate -i https://mirror.baidu.com/pypi/simple
pip install cloudpickle -i https://mirror.baidu.com/pypi/simple
pip install tqdm -i https://mirror.baidu.com/pypi/simple
pip install fvcore -i https://mirror.baidu.com/pypi/simple
pip install omegaconf -i https://mirror.baidu.com/pypi/simple
pip install hydra-core -i https://mirror.baidu.com/pypi/simple
pip install matplotlib -i https://mirror.baidu.com/pypi/simple
pip install torch -i https://mirror.baidu.com/pypi/simple
pip install ninja
注意事项：
1、安装ninja时，不要带上数据源，直接用系统默认数据源安装，不然可能会编译失败！
2、torch一定要安装，不要觉得，我已经安装torch==1.13.0+cu117了，torch就可以不用安装了，如果不安装，会报下面这个错误！
2、下载官方代码
官方代码下载地址：https://github.com/facebookresearch/detectron2
下载完成之后，将压缩包解压到一个非中文目录下面，然后使用PyCharm打开工程。
3、配置工程环境
避坑说明：
在博客 https://blog.csdn.net/iracer/article/details/125755029 中，说是要修改各种文件、安装各种组件，其实都完全没必要，安装之后反而无法编译源码，坑死我了。。。
将前面安装好的虚拟环境添加到我们的环境中。
在上一章节中，我们已经安装好了CUDA11.7，这里直接打开终端，安装对应版本的torch和torchvision即可。
安装命令如下：
pip install torch==1.13.0+cu117 torchvision==0.14.0+cu117 -f https://download.pytorch.org/whl/torch_stable.html
安装完成之后，我们就能看到我们安装的软件包了。
此时，如果直接进行源码编译，会报下面这个错误：
注意：部分电脑环境不进行任何修改也能编译成功，在决定是否修改之前，请先进行编译尝试，以便确定是否需要进行相应的修改。。。
解决方案如下：
参考博客：https://blog.csdn.net/qq_21532607/article/details/128075997
打开文件“..\envs\detectron\Lib\site-packages\torch\include\ATen\Parallel.h”
将32行
inline TORCH_API void lazy_init_num_threads() {替换成
inline void lazy_init_num_threads() {
4、源码编译
记得在虚拟环境下执行下面命令，进行编译
python setup.py build develop
注意：如果要重新编译，记得删除“detectron2-main\build\”目录下的文件，避免不必要的错误。
第一次编译时，会下载东西，如果网络不好，可能会编译超时，如下：
解决办法是，直接带上数据源地址进行编译：
python setup.py build develop -i https://mirror.baidu.com/pypi/simple
编译结果如下：
5、运行测试
运行测试参考博客（不推荐该博客的安装方法，不能用）：https://blog.csdn.net/iracer/article/details/125755029?spm=1001.2014.3001.5501
去github上下载需要的测试模型：https://github.com/facebookresearch/detectron2/blob/main/MODEL_ZOO.md
1、选择model zoo中一个模型下载用于测试
2、注意1个模型需要下载2个文件：
1）表格第1列模型名称右键另存的是 [*.yaml] 模型描述文件
2）表格倒数第2列model按钮右键另存为的是 [*.pkl] 权重文件
3、下载权重文件*.pkl
例如，下载模型权重文件为：model_final_f10217.pkl
在detectron2-main下新建一个models目录存放下载的模型权重（也可以放其他地方）。
就像这样“detectron2-main\models\model_final_f10217.pkl”，模型多了，当然你可以再建个子文件夹做区分。
4、下载网络结构文件*.yaml
例如，下载模型结构文件为：mask_rcnn_R_50_FPN_3x.yaml
将上述文件拷贝到detectron2-main\configs中合适的文件夹下
说明：官方代码里面其实已经自带了很多模型文件，博主这里其实并没有下载yaml文件，博主是直接使用的自带yaml文件。
进到github中，博主主要下载的是下面两个连接文件。
5、准备一些测试用的图片，放到“detectron2-main\demo\images”目录下面
然后执行测试命令（测试图片3.jpg）：
GPU模式：
python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input demo/images/3.jpg --opts MODEL.WEIGHTS models/model_final_f10217.pkl
CPU模式：
python demo/demo.py --config-file configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input demo/images/1.jpg --opts MODEL.WEIGHTS models/model_final_f10217.pkl MODEL.DEVICE cpu
注意：如果发现显示的图片大小和实际的不一致，可以尝试将“detectron2-main/demo/demo.py”文件中的所有“cv2.namedWindow”方法给屏蔽掉！！
