安装¶

前置条件¶

在本节中，我们将演示如何准备 PyTorch 相关的依赖环境。

MMAction2 适用于 Linux、Windows 和 MacOS。它需要 Python 3.7+，CUDA 10.2+ 和 PyTorch 1.8+。

备注

如果您熟悉 PyTorch 并且已经安装了它，可以跳过这部分内容，直接转到下一节。否则，您可以按照以下步骤进行准备工作。

第一步。 从官方网站下载并安装 Miniconda。

第二步。 创建一个 conda 环境并激活它。

conda create --name openmmlab python=3.8 -y
conda activate openmmlab

第三步。 安装 PyTorch，按照官方说明进行操作，例如：

在 GPU 平台上：

conda install pytorch torchvision -c pytorch

警告

此命令将自动安装最新版本的 PyTorch 和 cudatoolkit，请确保它们与您的环境匹配。

在 CPU 平台上：

conda install pytorch torchvision cpuonly -c pytorch

最佳实践¶

我们建议用户遵循我们的最佳实践来安装 MMAction2。然而，整个过程是高度可定制的。更多信息请参见自定义安装部分。

第一步。 使用 MIM 安装 MMEngine、MMCV、MMDetection（可选）和 MMPose（可选）。

pip install -U openmim
mim install mmengine
mim install mmcv
mim install mmdet
mim install mmpose

第二步。 安装 MMAction2。

根据您的需求，我们支持两种安装模式：

从源代码构建 MMAction2（推荐）：您想在 MMAction2 框架上开发自己的动作识别任务或新功能。例如，添加新的数据集或新的模型。因此，您可以使用我们提供的所有工具。
安装为 Python 包：您只想在项目中调用 MMAction2 的 API 或导入 MMAction2 的模块。

从源代码构建 MMAction2¶

在这种情况下，从源代码安装 mmaction2：

git clone https://github.com/open-mmlab/mmaction2.git
cd mmaction2
pip install -v -e .
# "-v" 表示输出更多安装相关的信息
# "-e" 表示以可编辑形式安装，这样可以在不重新安装的情况下，让本地修改直接生效。

可选地，如果您希望为 MMAction2 做出贡献或体验实验功能，请切换到 dev-1.x 分支：

git checkout dev-1.x

安装为 Python 包¶

只需使用 pip 安装即可。

pip install mmaction2

验证安装¶

为了验证 MMAction2 是否安装正确，我们提供了一些示例代码来运行推理演示。

第一步。 下载配置文件和权重文件。

mim download mmaction2 --config tsn_imagenet-pretrained-r50_8xb32-1x1x8-100e_kinetics400-rgb --dest .

第二步。 验证推理演示。

选项（a）。如果您是从源代码安装的 mmaction2，可以运行以下命令：

# demo.mp4 和 label_map_k400.txt 都来自于 Kinetics-400
python demo/demo.py tsn_imagenet-pretrained-r50_8xb32-1x1x8-100e_kinetics400-rgb.py \
    tsn_imagenet-pretrained-r50_8xb32-1x1x8-100e_kinetics400-rgb_20220906-2692d16c.pth \
    demo/demo.mp4 tools/data/kinetics/label_map_k400.txt

您将在终端看到前5个标签及其对应的分数。

选项（b）。如果您将 mmaction2 安装为一个 Python 包，可以在 Python 解释器中运行以下代码，这将进行类似的验证：

from operator import itemgetter
from mmaction.apis import init_recognizer, inference_recognizer

config_file = 'tsn_imagenet-pretrained-r50_8xb32-1x1x8-100e_kinetics400-rgb.py'
checkpoint_file = 'tsn_imagenet-pretrained-r50_8xb32-1x1x8-100e_kinetics400-rgb_20220906-2692d16c.pth'
video_file = 'demo/demo.mp4'
label_file = 'tools/data/kinetics/label_map_k400.txt'
model = init_recognizer(config_file, checkpoint_file, device='cpu')  # or device='cuda:0'
pred_result = inference_recognizer(model, video_file)

pred_scores = pred_result.pred_score.tolist()
score_tuples = tuple(zip(range(len(pred_scores)), pred_scores))
score_sorted = sorted(score_tuples, key=itemgetter(1), reverse=True)
top5_label = score_sorted[:5]

labels = open(label_file).readlines()
labels = [x.strip() for x in labels]
results = [(labels[k[0]], k[1]) for k in top5_label]

print('The top-5 labels with corresponding scores are:')
for result in results:
    print(f'{result[0]}: ', result[1])

自定义安装¶

CUDA 版本¶

在安装 PyTorch 时，您可能需要指定 CUDA 的版本。如果您不确定选择哪个版本，请遵循我们的建议：

对于 Ampere 架构的 NVIDIA GPU，例如 GeForce 30 series 以及 NVIDIA A100，CUDA 11 是必需的。
对于更早的 NVIDIA GPU，CUDA 11 是向前兼容的，但 CUDA 10.2 能够提供更好的兼容性，也更加轻量。

请确保 GPU 驱动程序满足最低版本要求。有关更多信息，请参见此表格。

备注

如果按照我们的最佳实践进行安装，仅安装 CUDA 运行时库就足够了，因为不会在本地编译任何 CUDA 代码。然而，如果您希望从源代码编译 MMCV 或开发其他 CUDA 运算符，您需要从 NVIDIA 的网站安装完整的 CUDA 工具包，并且其版本应与 PyTorch 的 CUDA 版本匹配，即 conda install 命令中指定的 cudatoolkit 的版本。

不使用 MIM 安装 MMCV¶

MMCV 包含 C++ 和 CUDA 扩展，因此它与 PyTorch 的关系比较复杂。MIM 可以自动解决这些依赖关系，使安装变得更加容易。但这不是必须的。

如果您希望使用 pip 而不是 MIM 安装 MMCV，请参考MMCV 安装指南。这需要手动指定基于 PyTorch 版本和其 CUDA 版本的 find-url。

例如，以下命令安装了为 PyTorch 1.10.x 和 CUDA 11.3 构建的 mmcv。

pip install mmcv -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10/index.html

在 CPU 环境中安装¶

MMAction2 可以仅在 CPU 环境中安装。在 CPU 模式下，你可以完成训练、测试和模型推理等所有操作。

在 CPU 模式下，MMCV 的部分功能将不可用，通常是一些 GPU 编译的算子。不过不用担心， MMAction2 中几乎所有的模型都不会依赖这些算子。

通过 Docker 使用 MMAction2¶

我们提供了一个Dockerfile来构建镜像。确保您的docker 版本 >=19.03。

# 构建一个基于 PyTorch 1.6.0、CUDA 10.1 和 CUDNN 7 的镜像。
# 如果您喜欢其他版本，请修改 Dockerfile。
docker build -f ./docker/Dockerfile --rm -t mmaction2 .

使用以下命令运行它：

# 例如构建PyTorch 1.6.0, CUDA 10.1, CUDNN 7的镜像
# 如果你喜欢其他版本,只要修改Dockerfile
docker run --gpus all --shm-size=8g -it -v {DATA_DIR}:/mmaction2/data mmaction2

故障排除¶

当从旧版本 0.x 迁移到新版本 1.x 时，您可能会遇到依赖库版本不匹配的问题。下面是在按照上述安装过程执行后，通过 pip list 命令显示的每个依赖库的版本。请确保在终端中显示的每个依赖库版本都大于或等于（即 >=）下面每个依赖库的版本。

mmaction2                1.0.0
mmcv                     2.0.0
mmdet                    3.0.0
mmengine                 0.7.2
mmpose                   1.0.0