Windows下MMDetection从安装到跑通第一个目标检测Demo（含权重文件下载与路径配置）
Windows下MMDetection从安装到跑通第一个目标检测Demo
在计算机视觉领域，目标检测是一项基础而重要的任务。对于Windows平台的学习者和开发者来说，如何在个人电脑上快速搭建目标检测环境并运行第一个Demo，往往是入门的第一道门槛。本文将手把手带你完成MMDetection在Windows系统下的完整安装和配置流程，特别针对Windows用户常见的路径配置、权重文件下载等问题提供解决方案。
1. 环境准备与基础安装
1.1 创建Python虚拟环境
首先我们需要创建一个独立的Python环境，避免与系统已有环境产生冲突。推荐使用Anaconda进行环境管理：
conda create --name mmdet python=3.8 -y conda activate mmdet提示：建议使用Python 3.7-3.9版本，这些版本与MMDetection的兼容性最好
1.2 安装PyTorch框架
PyTorch是MMDetection的底层依赖，版本选择至关重要。根据官方文档建议，我们安装CUDA 11.8对应的PyTorch 2.1.0版本：
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118安装完成后，可以通过以下命令验证是否安装成功：
import torch print(torch.__version__) # 应输出2.1.0 print(torch.cuda.is_available()) # 应输出True2. 安装MMCV与MMDetection
2.1 安装MMCV
MMCV是OpenMMLab系列工具包的基础库，需要特别注意与PyTorch版本的对应关系：
pip install -U openmim mim install mmengine mim install "mmcv>=2.1.0"2.2 安装MMDetection
使用MIM工具安装MMDetection可以自动处理依赖关系：
mim install mmdet安装完成后，可以通过以下命令验证安装是否成功：
import mmdet print(mmdet.__version__) # 应输出3.3.0或更高版本3. 获取源码与权重文件
3.1 下载MMDetection源码
推荐从GitHub克隆最新版本的MMDetection：
git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection注意：Windows用户可以直接在文件资源管理器地址栏输入"cmd"打开命令行窗口到当前目录
3.2 下载预训练权重
MMDetection需要预训练权重文件才能运行检测任务。我们以Faster R-CNN模型为例：
- 在mmdetection目录下创建checkpoints文件夹
- 下载权重文件 faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth
- 将权重文件放入checkpoints文件夹
4. 运行第一个目标检测Demo
4.1 准备测试图像
在mmdetection目录下创建demo文件夹，放入一张测试图像（如demo.jpg）。也可以使用官方提供的示例图像。
4.2 创建测试脚本
新建demo.py文件，内容如下：
from mmdet.apis import init_detector, inference_detector from mmdet.registry import VISUALIZERS import mmcv # 配置文件路径 config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py' # 权重文件路径 checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth' # 测试图像路径 img = 'demo/demo.jpg' # 初始化模型 model = init_detector(config_file, checkpoint_file, device='cuda:0') # 运行推理 result = inference_detector(model, img) # 可视化结果 visualizer = VISUALIZERS.build(model.cfg.visualizer) visualizer.dataset_meta = model.dataset_meta image = mmcv.imread(img) visualizer.add_datasample( 'result', image, data_sample=result, draw_gt=False, wait_time=0, out_file='outputs/result.jpg' # 结果保存路径 )4.3 执行检测任务
在命令行运行脚本：
python demo.py执行成功后，结果将保存在outputs/result.jpg中。你会看到图像中的物体被检测出来并用边界框标记。
5. 常见问题与解决方案
5.1 DLL加载错误
如果遇到类似"DLL load failed while importing _ext"的错误，通常是版本不匹配导致的。检查以下组件版本是否对应：
| 组件 | 推荐版本 |
|---|---|
| Python | 3.8 |
| PyTorch | 2.1.0 |
| CUDA | 11.8 |
| MMCV | 2.1.0 |
5.2 路径问题
Windows下的路径需要使用正斜杠(/)或双反斜杠(\)：
# 正确 config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py' # 或 config_file = 'configs\\faster_rcnn\\faster-rcnn_r50_fpn_1x_coco.py' # 错误 config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py'5.3 显存不足
如果遇到CUDA out of memory错误，可以尝试：
- 使用更小的输入图像尺寸
- 更换更轻量的模型（如RetinaNet）
- 在init_detector时设置device='cpu'使用CPU模式（速度会慢很多）
6. 进阶配置与优化
6.1 使用不同的预训练模型
MMDetection支持多种目标检测模型，只需更换配置文件和权重文件即可。例如使用Mask R-CNN：
config_file = 'configs/mask_rcnn/mask-rcnn_r50_fpn_1x_coco.py' checkpoint_file = 'checkpoints/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth'6.2 自定义数据集检测
要检测自定义数据集，需要：
- 准备数据集标注（COCO或VOC格式）
- 修改配置文件中的数据集路径和类别数
- 训练或微调模型
6.3 性能优化技巧
- 启用cudnn benchmark可以加速推理：
torch.backends.cudnn.benchmark = True - 使用半精度浮点数(fp16)减少显存占用
- 批量处理图像提高吞吐量
在实际项目中，我发现合理设置torch.backends.cudnn.benchmark可以带来约15%的推理速度提升，特别是在处理固定尺寸的输入图像时效果更明显。另外，对于部署场景，建议将模型转换为TorchScript格式以获得更好的性能。