1. 环境准备从零搭建开发环境刚接触MMPose和MMDetection时最头疼的就是环境配置。记得我第一次安装时整整折腾了两天才跑通所有流程。为了让各位少走弯路我把这些年积累的经验整理成这份保姆级教程。硬件基础要求其实很亲民显卡GTX 1060及以上建议RTX 2060内存16GB起步处理视频建议32GB存储至少50GB可用空间模型文件很占地方软件环境我推荐用conda创建独立环境避免污染系统环境。实测Python 3.8最稳定太新的版本可能遇到兼容性问题。先执行这些基础命令conda create -n mmpose python3.8 -y conda activate mmposeCUDA版本选择有讲究如果你用30系显卡必须CUDA 1120系及以下显卡可以用CUDA 10.2。安装PyTorch时一定要选对版本组合这是我验证过的稳定搭配pip install torch1.10.1cu113 torchvision0.11.2cu113 torchaudio0.10.1 -f https://download.pytorch.org/whl/cu113/torch_stable.html2. 核心组件安装MMCV的正确打开方式MMCV就像汽车的发动机装不好后面全白搭。很多新手卡在第一步就是因为没搞明白MMCV的版本匹配规则。这里有个血泪教训MMPose 1.x必须用MMCV 2.x而MMDetection 3.x也需要MMCV 2.x。推荐用openmim这个神器来管理安装pip install -U openmim mim install mmengine mim install mmcv2.0.0rc3遇到报错Could not build wheels for mmcv别慌先检查gcc版本gcc --version # 需要7.0如果版本太低用这个命令升级conda install -c conda-forge gcc12.1.03. MMPose实战安装从源码到验证现在进入正题安装MMPose前有个关键步骤——处理依赖冲突。我建议先装好这些基础包pip install pycocotools matplotlib seaborn tqdm克隆代码时注意分支选择。2023年后建议用新教程分支git clone https://github.com/open-mmlab/mmpose.git -b tutorial2023 cd mmpose开发模式安装有个小陷阱那个点不能丢mim install -e . # 注意最后的点代表当前目录验证安装时我习惯用这个组合拳import torch print(torch.cuda.is_available()) # 必须返回True from mmcv.ops import get_compiler_version print(get_compiler_version()) # 检查编译器版本4. MMDetection安装指南避坑大全MMDetection的安装流程类似但有几点特别要注意必须使用3.x分支需要提前安装mmdet验证方式略有不同完整操作流程git clone https://github.com/open-mmlab/mmdetection.git -b 3.x cd mmdetection pip install -v -e . # -v参数显示详细日志常见报错解决方案遇到ImportError: cannot import name container_abcs 这是PyTorch版本问题执行pip install --upgrade torch torchvision出现No module named mmcv._ext 重新编译MMCVmim uninstall mmcv mim install mmcv-full5. 疑难杂症解决方案我踩过的那些坑CUDA内存不足是最常见的问题。除了换显卡还可以减小batch size使用梯度累积尝试混合精度训练Jupyter报错500的终极解决方案conda install -c conda-forge nbconvert ipykernel jupyter kernelspec install --user --namemmpose内存泄漏检测技巧import torch torch.cuda.empty_cache() # 手动清缓存6. 项目结构优化专业开发者的习惯规范的目录结构能节省大量调试时间。我的标准模板project/ ├── checkpoints/ # 存放模型权重 ├── configs/ # 配置文件 ├── data/ # 数据集 │ ├── test/ # 测试素材 │ └── train/ # 训练数据 └── tools/ # 自定义脚本建议在代码开头添加环境检查脚本import platform print(fOS: {platform.system()}) print(fPython: {platform.python_version()})7. 模型验证与测试确保一切就绪最后一步验证至关重要。运行这个测试脚本from mmdet.apis import init_detector config configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py checkpoint checkpoints/faster_rcnn_r50_fpn_1x_coco.pth model init_detector(config, checkpoint, devicecuda:0)成功输出模型结构就说明环境完全正确。如果遇到问题建议按这个顺序排查CUDA是否可用PyTorch版本是否匹配MMCV是否编译成功依赖项是否完整
MMPose与MMDetection环境搭建全攻略：从安装到避坑指南
发布时间：2026/5/19 16:20:40
1. 环境准备从零搭建开发环境刚接触MMPose和MMDetection时最头疼的就是环境配置。记得我第一次安装时整整折腾了两天才跑通所有流程。为了让各位少走弯路我把这些年积累的经验整理成这份保姆级教程。硬件基础要求其实很亲民显卡GTX 1060及以上建议RTX 2060内存16GB起步处理视频建议32GB存储至少50GB可用空间模型文件很占地方软件环境我推荐用conda创建独立环境避免污染系统环境。实测Python 3.8最稳定太新的版本可能遇到兼容性问题。先执行这些基础命令conda create -n mmpose python3.8 -y conda activate mmposeCUDA版本选择有讲究如果你用30系显卡必须CUDA 1120系及以下显卡可以用CUDA 10.2。安装PyTorch时一定要选对版本组合这是我验证过的稳定搭配pip install torch1.10.1cu113 torchvision0.11.2cu113 torchaudio0.10.1 -f https://download.pytorch.org/whl/cu113/torch_stable.html2. 核心组件安装MMCV的正确打开方式MMCV就像汽车的发动机装不好后面全白搭。很多新手卡在第一步就是因为没搞明白MMCV的版本匹配规则。这里有个血泪教训MMPose 1.x必须用MMCV 2.x而MMDetection 3.x也需要MMCV 2.x。推荐用openmim这个神器来管理安装pip install -U openmim mim install mmengine mim install mmcv2.0.0rc3遇到报错Could not build wheels for mmcv别慌先检查gcc版本gcc --version # 需要7.0如果版本太低用这个命令升级conda install -c conda-forge gcc12.1.03. MMPose实战安装从源码到验证现在进入正题安装MMPose前有个关键步骤——处理依赖冲突。我建议先装好这些基础包pip install pycocotools matplotlib seaborn tqdm克隆代码时注意分支选择。2023年后建议用新教程分支git clone https://github.com/open-mmlab/mmpose.git -b tutorial2023 cd mmpose开发模式安装有个小陷阱那个点不能丢mim install -e . # 注意最后的点代表当前目录验证安装时我习惯用这个组合拳import torch print(torch.cuda.is_available()) # 必须返回True from mmcv.ops import get_compiler_version print(get_compiler_version()) # 检查编译器版本4. MMDetection安装指南避坑大全MMDetection的安装流程类似但有几点特别要注意必须使用3.x分支需要提前安装mmdet验证方式略有不同完整操作流程git clone https://github.com/open-mmlab/mmdetection.git -b 3.x cd mmdetection pip install -v -e . # -v参数显示详细日志常见报错解决方案遇到ImportError: cannot import name container_abcs 这是PyTorch版本问题执行pip install --upgrade torch torchvision出现No module named mmcv._ext 重新编译MMCVmim uninstall mmcv mim install mmcv-full5. 疑难杂症解决方案我踩过的那些坑CUDA内存不足是最常见的问题。除了换显卡还可以减小batch size使用梯度累积尝试混合精度训练Jupyter报错500的终极解决方案conda install -c conda-forge nbconvert ipykernel jupyter kernelspec install --user --namemmpose内存泄漏检测技巧import torch torch.cuda.empty_cache() # 手动清缓存6. 项目结构优化专业开发者的习惯规范的目录结构能节省大量调试时间。我的标准模板project/ ├── checkpoints/ # 存放模型权重 ├── configs/ # 配置文件 ├── data/ # 数据集 │ ├── test/ # 测试素材 │ └── train/ # 训练数据 └── tools/ # 自定义脚本建议在代码开头添加环境检查脚本import platform print(fOS: {platform.system()}) print(fPython: {platform.python_version()})7. 模型验证与测试确保一切就绪最后一步验证至关重要。运行这个测试脚本from mmdet.apis import init_detector config configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py checkpoint checkpoints/faster_rcnn_r50_fpn_1x_coco.pth model init_detector(config, checkpoint, devicecuda:0)成功输出模型结构就说明环境完全正确。如果遇到问题建议按这个顺序排查CUDA是否可用PyTorch版本是否匹配MMCV是否编译成功依赖项是否完整
