建议按照教程新建anaconda环境以免冲突。

安装要求和步骤，直接执行：

https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/INSTALL.md

conda create --name maskrcnn_benchmark

conda activate maskrcnn_benchmark

conda install ipython

pip install ninja yacs cython matplotlib tqdm

#此步骤不建议，最好离线直接安装

conda install -c pytorch pytorch-nightly torchvision cudatoolkit=9.0

export INSTALL_DIR=$PWD

cd $INSTALL_DIR

git clone https://github.com/cocodataset/cocoapi.git

cd cocoapi/PythonAPI

python setup.py build_ext install

cd $INSTALL_DIR

git clone https://github.com/facebookresearch/maskrcnn-benchmark.git

cd maskrcnn-benchmark

python setup.py build develop

unset INSTALL_DIR

(其中pytorch 1.0 装得很慢，而且经过测试没必要使用作者的nightly版本，直接用离线包安装1.0就行) 

注意：这个build编译和安装后会把maskrcn装作一个pip库从中引用，如果编译失败会在from maskrcnn_benchmark.config import cfg报错，因为找不到该库文件。安装后conda list会有显示.

权值文件作者在代码中集成了，自动下载，速度比较快，直接用他的就行。在运行demo的时候会自动检测对应位置是否有权值文件，没有的话会进行下载，下载路径很奇怪，嵌入到torch的隐藏文件夹了：

 cd进入文件夹可以查看下载的ResNet-50和ResNet-101模型以及网络的权重：

两种方式利用现成参数inference

进入demo文件夹下，直接运行即可：

原文档没写清楚，稍微改改自己加一个文件就行，新建一个demo.py，其中写入如下：

from maskrcnn_benchmark.config import cfg

from predictor import COCODemo

import torch

import cv2

import ipdb

ipdb.set_trace(context=35)

config_file = "../configs/caffe2/e2e_mask_rcnn_R_101_FPN_1x_caffe2.yaml"

cfg.merge_from_file(config_file)

cfg.merge_from_list(["MODEL.DEVICE", "cpu"])

coco_demo = COCODemo(

cfg,

min_image_size=800,

confidence_threshold=0.7,

)

image = cv2.imread('/py/pic/2.jpg')

predictions = coco_demo.run_on_opencv_image(image)

cv2.imshow("COCO detections", predictions)

cv2.waitKey(0)

其中更换图片路径即可，config这里用的resnet-101，如果显存不够改成50即可（700M很小了）。注意：config建议用caffe路径下的，外面的会下载预训练权重，不能检测，是留作训练用的。

运行即可：

pytroch官网提供的预训练模型：resnet18：resnet18-5c106cde.pth和resnet50：resnet50-19c8e357.pth（两个文件打包在一起） 相关下载链接：//download.csdn.net/download/qq_34374211/10618967?utm_source=bbsseo