Windows 11 环境搭建：从零到一部署 Detectron2 实战指南

1. 环境准备：从零搭建Windows 11开发环境

在Windows 11上部署Detectron2之前，我们需要先搭建一个完整的开发环境。这个过程可能会遇到不少坑，特别是对于刚接触计算机视觉的开发者来说。我自己在第一次尝试时就踩了不少坑，比如CUDA版本不匹配、环境变量配置错误等等。下面我会详细分享每一步的操作细节，帮你避开这些常见问题。

首先，我们需要安装Visual Studio 2019。虽然现在已经有更新的版本，但VS2019在兼容性方面表现最好，不容易出现奇怪的编译错误。你可以直接从微软官网下载社区版，这是完全免费的。安装时记得勾选"使用C++的桌面开发"工作负载，这是Detectron2编译所必需的组件。

接下来是显卡驱动和CUDA的安装。这里有个关键点：一定要先更新显卡驱动，再安装CUDA工具包。我建议先去NVIDIA官网下载最新的Game Ready驱动，而不是Studio驱动，因为前者通常更新更及时。安装完驱动后，再去下载CUDA 12.1工具包。安装CUDA时，建议选择"自定义"安装，只勾选CUDA组件，这样可以避免安装不必要的软件。

2. 配置Python环境与PyTorch安装

有了基础开发环境后，我们需要配置Python环境。我强烈建议使用Anaconda来管理Python环境，它能很好地解决不同项目间的依赖冲突问题。安装完Anaconda后，我们可以创建一个新的conda环境：

conda create -n detectron2 python=3.8 conda activate detectron2

选择Python 3.8是因为它在稳定性和兼容性方面表现最好。虽然Python 3.9/3.10也能用，但可能会遇到一些第三方库的兼容性问题。

接下来是安装PyTorch。这里要特别注意PyTorch版本与CUDA版本的对应关系。对于CUDA 12.1，我们应该使用PyTorch 2.0或更高版本。可以使用以下命令安装：

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=12.1 -c pytorch -c nvidia

安装完成后，建议运行以下命令验证PyTorch是否能正确识别GPU：

import torch print(torch.__version__) print(torch.cuda.is_available())

如果输出True，说明PyTorch已经正确配置。如果遇到问题，可能是CUDA环境变量没有设置好，需要检查PATH中是否包含了CUDA的bin和lib目录。

3. 安装依赖库与配置cuDNN

Detectron2还需要一些额外的依赖库。首先是OpenCV，我们可以直接通过pip安装：

pip install opencv-python opencv-contrib-python

然后是cuDNN的安装。这是NVIDIA提供的深度神经网络加速库，能显著提升模型运行速度。下载cuDNN时需要注册NVIDIA开发者账号，选择与CUDA 12.1兼容的版本。下载后解压，将bin、include和lib目录中的文件复制到CUDA安装目录下对应的文件夹中。

还有一个重要的依赖是Git，因为我们需要从GitHub克隆Detectron2的源代码。安装Git后，建议配置一下全局用户信息：

git config --global user.name "Your Name" git config --global user.email "your.email@example.com"

4. 编译安装Detectron2

现在我们可以开始安装Detectron2了。首先克隆官方仓库：

git clone https://github.com/facebookresearch/detectron2.git

如果遇到网络问题无法克隆，可以直接从GitHub下载zip包解压。进入detectron2目录后，我们需要先修改一个配置文件。找到detectron2/layers/csrc/nms_rotated/nms_rotated_cuda.cu文件，在开头添加：

#define WITH_HIP

这个修改是为了解决Windows下的编译问题。接下来还需要修改CUDA的一个配置文件。找到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include\crt\host_config.h，将第1940行的#if _MSC_VER < 1920改为#if _MSC_VER < 2000。

最后，在激活的conda环境中运行安装命令：

pip install -e .

这个过程可能会花费一些时间，因为它需要编译C++扩展模块。如果一切顺利，你会看到"Successfully installed detectron2"的提示。

5. 验证安装与运行示例

为了验证Detectron2是否安装成功，我们可以运行一个简单的示例。创建一个新的Python文件，比如demo.py，输入以下代码：

from detectron2.engine import DefaultPredictor from detectron2.config import get_cfg from detectron2 import model_zoo import cv2 # 加载配置和预训练模型 cfg = get_cfg() cfg.merge_from_file(model_zoo.get_config_file("COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml")) cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url("COCO-Detection/faster_rcnn_R_50_FPN_3x.yaml") cfg.MODEL.DEVICE = "cuda" # 使用GPU # 创建预测器 predictor = DefaultPredictor(cfg) # 读取图像并预测 im = cv2.imread("input.jpg") outputs = predictor(im) print(outputs["instances"].pred_classes) # 打印检测到的类别

运行这个脚本，如果能看到输出结果而没有报错，说明Detectron2已经成功安装。你可以尝试用不同的预训练模型，比如实例分割模型（COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml），看看效果如何。

在实际项目中，我建议先用官方提供的预训练模型进行测试，确保整个流程能跑通，然后再考虑训练自己的模型。Detectron2提供了丰富的模型配置和预训练权重，可以满足大多数计算机视觉任务的需求。