ascend-ai-coding/awesome-ascend-skills/ascend-mmlab-install-suite

ascend-mmlab-install-suite

功能

在昇腾NPU容器环境中安装 OpenMMLab 系列库，支持：

• mmcv（计算机视觉基础库）
• mmdet（目标检测库）
• mmdet3d（3D目标检测库）
• detectron2（Facebook的检测分割库）

运行环境

• 目标环境：昇腾NPU容器（Linux）
• 客户端：Windows/macOS/Linux
• 网络：需要访问 GitHub/Gitee

模块

• mmcv：编译安装 mmcv-full（含NPU算子）→ mmcv/SKILL.md
• mmdet：安装 mmdetection → mmdet/SKILL.md
• mmdet3d：安装 mmdetection3d（含mmsegmentation依赖）→ mmdet3d/SKILL.md
• detectron2：从源码安装 detectron2（NPU兼容）→ detectron2/SKILL.md

配置

必要信息（需向用户确认）

1. 目标服务器信息：

• 服务器地址/SSH连接方式
• 容器名称或ID
• 工作目录挂载路径（如 /home/zqq）

1. conda环境：

• 环境名称（如 torch2.1.0_py38）
• Python版本
• PyTorch版本

1. 网络情况：

• 是否有代理
• GitHub连接是否超时

可选信息

1. patch文件位置：DrivingSDK中的配置文件路径
2. 安装顺序：根据用户需求调整

前置三方库依赖

在安装 OpenMMLab 库之前，需要安装前置依赖包。根据目标 PyTorch 版本选择对应的 requirements 文件：

文件位置参考：DrivingSDK/model_examples/BEVFormer/requirements*.txt

安装方式：

pip install -r /path/to/requirements_xxx.txt

关键原则

⚠️ 重要：禁止直接pip安装OpenMMLab库

严禁使用 `pip install mmcv-full` 等方式直接安装，因为：

1. DrivingSDK提供的patch文件包含NPU适配修改，直接安装会导致patch无法应用
2. 必须使用源码安装 + 应用patch的方式

正确流程：

1. 尝试直接git clone仓库, 如果超时, 则进行下一步
2. 本地git clone仓库（使用镜像或直接clone）
3. scp传输到服务器
4. 应用DrivingSDK中的patch文件
5. 编译安装

NPU环境检查

安装完成后必须验证：

python -c "import site; print([p for p in site.getsitepackages() if 'cuda' in p.lower()])"

如果有 CUDA 相关路径输出，说明安装的是 CUDA 版本，需要重新安装。

网络策略

依赖关系

mmcv (基础)
  ├── mmdet
  ├── mmdet3d → 依赖 mmsegmentation
  └── detectron2

决策指引

向用户提问确认：

1. 使用哪个conda环境？
2. 服务器网络情况如何？（能否直接访问GitHub）
3. 是否需要安装所有库？还是特定库？
4. patch文件位置？（如使用DrivingSDK）

安装前检查：

1. 确认目标环境是NPU而非CUDA
2. 检查torch_npu是否已安装
3. 确认工作目录可写