pytorch3d、Detectron2编译安装

基础环境:

python:3.6

ubuntu:18.04

pytorch:1.8

cuda:10.2

一、pytorch3d编译

官方指南 GitCode - 开发者的代码家园

注意:cuda11以下的版本,需要安装CUB libaray,cuda11以上的版本跳过此步骤。

复制代码
conda install -c bottler nvidiacub

或通过源码方式安装:

复制代码
curl -LO https://github.com/NVIDIA/cub/archive/1.10.0.tar.gz
tar xzf 1.10.0.tar.gz

配置CUB_HOME环境变量:

复制代码
vim ~/.bashrc
# 注意将/home/bdlf/cub-1.10.0替换为对应的CUB包路径
export CUB_HOME=/home/bdlf/cub-1.10.0
# 更新一下
source ~/.bashrc

1、安装依赖:

复制代码
conda install -c fvcore -c iopath -c conda-forge fvcore iopath

2、pytorch3d源码下载

根据自己环境,选择对应版本pytorch3d,这里选择V0.5.0。

3、编译

复制代码
cd pytorch3d
pip install -e .

第一次在python3.8虚拟环境中采用上述方式顺利通过编译,但第二次更换python3.6环境后,一直编译失败,很是无语,望知道的小伙伴可以解答一下~~

参考链接 Pytorch3D Linux环境下安装(踩坑)记录_pytorch_帕斯卡多-华为云开发者联盟

二、Detectron2编译

参考链接 Github 项目 - detectron2 安装与简单使用 - AI备忘录

Detectron2下载地址 https://download.csdn.net/download/WXG1011/89076387

我的GCC为7.5.0,但python为3.6,采用python -m pip install -e .安装提示ERROR: Package 'detectron2' requires a different Python: 3.6.7 not in '>=3.7',故采用python setup.py build develop,在编译过程中会出现包缺失或版本冲突的问题,直接pip安装丢失的包,再重新编译,重新编译时需删除Detectron2文件夹下的build文件。

编译成功提示:

复制代码
Using /home/bdlf/.local/lib/python3.6/site-packages
Finished processing dependencies for detectron2==0.6

测试:

复制代码
(py36) bdlf@bdlf-desktop:~/detectron2$ python
Python 3.6.7 | packaged by conda-forge | (default, Jan  7 2019, 02:49:06)
[GCC 7.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import detectron2
>>>

API文档 Installation --- detectron2 0.6 documentation

相关推荐
码农三叔8 分钟前
(9-3)电源管理与能源系统:充电与扩展能源方案
人工智能·嵌入式硬件·机器人·能源·人形机器人
2401_8638014629 分钟前
怎么把多个glb/gltf格式模型,导出保存一个个物体,只保留自己想要的部分
人工智能
一切皆有可能!!29 分钟前
昇腾atlas 300I duo部署Qwen3-8B完整实战:从选型到成功运行
人工智能·大模型·昇腾·大模型部署
qq_4232339030 分钟前
Python深度学习入门:TensorFlow 2.0/Keras实战
jvm·数据库·python
问道财经30 分钟前
和飞书合作,安克没能走出舒适区
人工智能
Fleshy数模36 分钟前
从一条直线开始:线性回归的底层逻辑与实战
人工智能·机器学习·概率论
林深现海1 小时前
【刘二大人】PyTorch深度学习实践笔记 —— 第四集:反向传播(凝练版)
pytorch·python·numpy
ssxueyi1 小时前
ModelEngine + MCP:解锁 AI 应用的无限可能
人工智能·大模型·ai应用·ai开发·modelengine
AAD555888991 小时前
压接工具检测识别----RPN-R50-Caffe-C4模型训练与优化
人工智能·深度学习
OLOLOadsd1231 小时前
基于NAS-FCOS的拥挤路段车辆检测系统:R50-Caffe-FPN-NASHead-GN-Head模型训练与优化_1
人工智能·深度学习