1. 环境准备从零开始的正确姿势在Windows系统下搭建mmdetection环境就像组装一台精密仪器每个零件都必须严丝合缝。我经历过无数次环境配置的崩溃现场最终总结出这套稳定可靠的方案。首先需要明确几个关键点Python 3.10是最兼容的版本PyTorch 2.1.0与CUDA 11.8的组合经过实测最稳定而mmdetection 3.3.0则是当前兼容性最好的发行版。注意千万不要盲目追求最新版本PyTorch 2.2.0/2.3.0会导致mmcv安装报错这个坑我已经替你们踩过了。开始前请确保你的Windows系统满足以下条件64位操作系统建议Win10/Win11NVIDIA显卡驱动已更新至最新版可通过nvidia-smi命令验证至少50GB的可用磁盘空间深度学习环境真的很占地方已安装Visual Studio 2019或更高版本C编译依赖我强烈推荐使用Anaconda作为环境管理器它能完美解决Python多版本共存问题。如果还没安装去Anaconda官网下载Python 3.10对应的安装包记得勾选Add to PATH选项。安装完成后在开始菜单找到Anaconda Prompt这才是我们后续所有操作的主战场。2. 虚拟环境搭建隔离的安全区2.1 创建虚拟环境在Anaconda Prompt中输入以下命令创建专属环境conda create -n mmm python3.10这个命令创建了名为mmm的虚拟环境名字可自定指定Python版本为3.10。当系统询问Proceed ([y]/n)?时果断输入y回车。这个环境就像个无菌实验室所有实验都在这里进行不会污染系统其他部分。激活环境的命令是conda activate mmm成功激活后命令行前缀会显示(mmm)就像这样(mmm) C:\Users\YourName2.2 安装PyTorch全家桶PyTorch是mmdetection的基石版本选择至关重要。访问PyTorch历史版本页面找到2.1.0对应的安装命令conda install pytorch2.1.0 torchvision0.16.0 torchaudio2.1.0 pytorch-cuda11.8 -c pytorch -c nvidia这个命令会同时安装PyTorch、torchvision和torchaudio并配置CUDA 11.8支持。安装过程可能较慢建议喝杯咖啡等待。安装完成后用这个三件套验证是否成功import torch print(torch.__version__) # 应该显示2.1.0 print(torch.cuda.is_available()) # 必须返回True print(torch.backends.cudnn.enabled) # 应该返回True如果cuda.is_available()返回False说明CUDA加速没启用可能是驱动问题或显卡不兼容。3. 核心组件安装OpenMMLab生态链3.1 安装MIM工具OpenMMLab的mim工具就像App Store能简化后续安装pip install -U openmim如果遇到fsspec报错很常见先单独安装这个依赖pip install fsspec3.2 安装MMEngine和MMCVMMEngine是OpenMMLab的底层框架先安装它mim install mmengineMMCV是计算机视觉核心库必须严格匹配版本。访问MMCV官网找到对应CUDA 11.8和PyTorch 2.1.0的安装命令。经实测2.1.0版本最稳定pip install mmcv2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html这个命令会从OpenMMLab的官方镜像站下载预编译的二进制包速度比源码编译快很多。4. mmdetection项目部署4.1 获取项目代码从GitHub下载mmdetection 3.3.0发布版不要用main分支git clone -b v3.3.0 https://github.com/open-mmlab/mmdetection.git cd mmdetection或者直接下载ZIP包解压然后进入项目目录。4.2 安装依赖项在项目根目录执行开发模式安装pip install -v -e .这个-v参数显示详细日志-e表示可编辑模式方便后续修改代码。安装完成后用conda list检查应有以下关键包mmdet mmcv mmengine pytorch4.3 配置PyCharm可选如果你用PyCharm开发菜单栏选择File Open选择mmdetection文件夹进入Settings Project Python Interpreter点击齿轮图标选择Add Interpreter Conda Environment选择Existing environment找到刚才创建的mmm环境中的python.exe等待索引完成后右下角应该显示(mmm) Python 3.105. 验收测试见证奇迹的时刻5.1 下载预训练模型在项目根目录运行mim download mmdet --config rtmdet_tiny_8xb32-300e_coco --dest .这会下载两个文件rtmdet_tiny_8xb32-300e_coco.py配置文件rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth权重文件5.2 运行demo测试准备一张测试图片比如demo/demo.jpg执行python demo/image_demo.py demo/demo.jpg rtmdet_tiny_8xb32-300e_coco.py --weights rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth --show如果看到弹出窗口显示带检测框的图片恭喜你环境搭建成功。如果报错大概率是路径问题检查所有文件路径是否正确。6. 常见问题排雷指南6.1 CUDA相关错误如果遇到CUDA out of memory减小测试图片分辨率在demo命令后添加--device cpu改用CPU运行如果torch.cuda.is_available()返回False确认NVIDIA驱动已更新重新安装PyTorch时指定--force-reinstall运行nvidia-smi查看显卡状态6.2 版本冲突问题典型的报错ImportError: cannot import name xxx from mmcv严格按本文版本组合安装用pip list检查所有包版本删除环境重新开始是最快解决方案6.3 编译错误遇到Microsoft Visual C 14.0 is required安装Visual Studio 2019的C桌面开发组件或者安装独立的Build Tools7. 进阶配置技巧7.1 加速pip安装修改pip源为国内镜像pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple7.2 环境备份与恢复导出当前环境配置conda env export environment.yml从备份恢复conda env create -f environment.yml7.3 多版本CUDA管理如果需要切换CUDA版本conda install cudatoolkit11.8 -c nvidia然后更新环境变量PATH把对应版本的CUDA路径放在前面。