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避坑）

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避坑）

在Windows系统上搭建深度学习环境总是充满挑战，尤其是当官方文档默认用户使用Linux时。作为国内最流行的开源目标检测框架之一，MMDetection的强大功能吸引着无数开发者，但Windows用户在安装过程中往往会遇到各种"特色问题"——从路径斜杠方向到CUDA版本冲突，从权重文件下载缓慢到配置文件路径错误。本文将手把手带你避开这些坑，用最直接的方式在原生Windows环境（非WSL）中完成MMDetection的完整部署，并运行第一个目标检测Demo。

1. 环境准备：打造专属Python沙盒

1.1 Conda环境配置

Windows下的Python环境管理推荐使用Miniconda3（比Anaconda更轻量），最新版本可从清华镜像站下载。安装时务必勾选"Add to PATH"选项，这是后续在普通CMD中使用conda命令的关键。

# 创建专用于MMDetection的Python环境（指定3.8版本更稳定） conda create -n mmdet python=3.8 -y conda activate mmdet

注意：如果后续步骤出现DLL加载错误，很可能是环境变量问题。可尝试在Anaconda Prompt中执行conda init然后重新打开终端。

1.2 PyTorch与CUDA的版本舞蹈

MMDetection对PyTorch和CUDA版本有严格限制，以下是经过验证的组合方案：

安装命令使用国内镜像加速：

pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://mirrors.aliyun.com/pytorch-wheels/cu118/

验证安装：

import torch print(torch.__version__) # 应输出2.1.0 print(torch.cuda.is_available()) # 应输出True

2. MMDetection生态链安装指南

2.1 核心组件精准安装

OpenMMLab系列包的版本必须严格对齐，以下是经过测试的黄金组合：

# 先安装包管理工具MIM pip install -U openmim # 按顺序安装核心组件（注意版本号！） mim install mmengine==0.10.3 mim install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html mim install mmdet==3.3.0

常见安装问题排查：

• 报错"Could not build wheels for mmcv"：检查VS Build Tools是否安装（需要C++14支持）
• 报错"DLL load failed"：大概率是PyTorch与MMCV版本不匹配，使用pip list核对版本

2.2 源码获取与路径处理

从GitHub克隆MMDetection仓库时，Windows用户需特别注意：

# 推荐使用SSH方式克隆（需先配置Git SSH Key） git clone git@github.com:open-mmlab/mmdetection.git cd mmdetection

重要：Windows路径建议全部使用原始字符串表示法，例如：

config_file = r'D:\mmdetection\configs\faster_rcnn\faster-rcnn_r50_fpn_1x_coco.py'

3. 预训练模型获取与配置技巧

3.1 权重文件高速下载

官方模型库（Model Zoo）的权重文件通常存放在海外服务器，国内用户可通过以下方式加速：

1. 使用开源镜像站替换URL：

   原始URL：https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth 替换为：https://openmmlab.oss-cn-hangzhou.aliyuncs.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth

2. 使用迅雷等下载工具接管浏览器下载任务

3.2 模型文件目录规范

建议建立如下目录结构，避免路径混乱：

mmdetection/ ├── configs/ ├── checkpoints/ # 存放所有.pth权重文件 ├── demo/ │ ├── demo.jpg # 测试图片 │ └── result.png # 输出结果 └── outputs/ # 可视化结果保存目录

4. 第一个目标检测Demo实战

4.1 测试脚本深度适配

以下是针对Windows系统优化过的完整测试脚本（保存为demo.py）：

import mmcv from mmdet.apis import init_detector, inference_detector from mmdet.registry import VISUALIZERS # 使用原始字符串避免转义问题 config = r'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py' checkpoint = r'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth' img_path = r'demo/demo.jpg' # 初始化模型（自动切换到GPU） model = init_detector(config, checkpoint, device='cuda:0') # 执行推理 result = inference_detector(model, img_path) # 可视化设置 visualizer = VISUALIZERS.build(model.cfg.visualizer) visualizer.dataset_meta = model.dataset_meta # 保存检测结果 image = mmcv.imread(img_path) visualizer.add_datasample( 'result', image, data_sample=result, draw_gt=False, show=False, # Windows下建议关闭直接显示 out_file='outputs/result.jpg' )

4.2 典型报错解决方案

问题1：RuntimeError: Couldn't load custom C++ ops

• 原因：MMCV编译版本与PyTorch不匹配
• 解决：重新安装匹配版本的MMCV

  mim uninstall mmcv mim install mmcv==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html

问题2：FileNotFoundError配置文件路径错误

• 原因：Windows路径分隔符问题
• 解决：使用os.path模块处理路径

  import os config = os.path.join('configs', 'faster_rcnn', 'faster-rcnn_r50_fpn_1x_coco.py')

问题3：CUDA out of memory

• 修改配置文件的test_dataloader部分：

  test_dataloader = dict( batch_size=1, # 改为1 ... )

5. 效率优化与进阶技巧

5.1 开启DNN加速

在configs/_base_/datasets/coco_detection.py中添加：

model = dict( ... dcn=dict(type='DCNv2', deform_groups=1, fallback_on_stride=False), stage_with_dcn=(False, True, True, True))

5.2 多GPU训练配置

修改tools/train.py启动参数：

set CUDA_VISIBLE_DEVICES=0,1 # 使用前两块GPU python -m torch.distributed.launch --nproc_per_node=2 tools/train.py configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py

5.3 模型转换与部署

将PyTorch模型转换为ONNX格式：

from mmdet.apis import export_model config_file = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py' checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth' export_model(config_file, checkpoint_file, 'faster_rcnn.onnx')

6. 可视化增强与结果分析

6.1 检测结果二次加工

在输出图像上添加自定义信息：

from PIL import Image, ImageDraw result_img = Image.open('outputs/result.jpg') draw = ImageDraw.Draw(result_img) # 在左上角添加模型信息 draw.text((10, 10), f"Model: Faster R-CNN\nConfidence: {result[0][0][4]:.2f}", fill=(255, 0, 0)) result_img.save('outputs/result_with_info.jpg')

6.2 性能评估脚本

创建eval.py进行定量评估：

from mmdet.apis import init_detector, inference_detector import time config = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py' checkpoint = 'checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth' model = init_detector(config, checkpoint, device='cuda:0') # 预热GPU for _ in range(10): _ = inference_detector(model, 'demo/demo.jpg') # 正式测试 start = time.time() for _ in range(100): result = inference_detector(model, 'demo/demo.jpg') elapsed = time.time() - start print(f"Average inference time: {elapsed/100:.4f}s")