### 解决方案 在安装 `mmcv-full` 时遇到的兼容性问题通常与 PyTorch 版本、CUDA 工具包版本以及 Python 环境有关。以下是针对 CUDA 11.8 和 PyTorch 2.0.1 的解决方案： #### 1. 创建 Conda 虚拟环境并配置基础依赖 为了确保环境的一致性和稳定性，建议按照以下方式创建虚拟环境： ```bash conda create -n ai_py310 python=3.10 conda activate ai_py310 ``` 接着设置国内镜像源加速安装过程： ```bash pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple ``` 验证 Pip 配置是否成功： ```bash pip config list ``` #### 2. 安装 PyTorch 及其相关依赖 根据引用中的描述[^1]，PyTorch 的安装命令如下所示： ```bash conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia ``` 此步骤会自动安装 Numpy 和 CuDNN。 #### 3. 安装 MMDetection 所需的基础库 MMDetection 是基于 MMCV 构建的框架，因此需要先安装 `mmcv-full`。由于 `mmcv-full` 对 GPU 支持有特定需求，推荐通过官方预编译二进制文件进行安装。 ##### 方法一：使用 MIM 工具安装 MIM（Model Index Manager）是由 OpenMMLab 提供的一个工具，用于简化模型和库的管理。 ```bash pip install openmim mim install mmcv-full==1.7.1 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.0/index.html ``` 注意 URL 中指定了 CUDA (`cu118`) 和 PyTorch (`torch2.0`) 的版本匹配关系。 ##### 方法二：手动指定版本安装 如果不想使用 MIM，也可以直接通过 Pip 安装： ```bash pip install mmcv-full==1.7.1 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.0/index.html ``` #### 4. 处理常见错误 - **缺少 YAML 模块** 如果报错提示找不到 `yaml` 模块，可以单独安装它： ```bash pip install pyyaml ``` - **CMake 错误** 若出现 CMake 相关错误，可能是因为未正确安装开发工具链。参考引用内容[^3]，可以通过以下方法解决： - 下载并安装最新版 Visual Studio Professional 或者 Build Tools。 - 在安装过程中勾选“C++ 编译器”及其关联组件。 - **Visual C++ 缺失** 当遇到类似以下错误时： ``` error: Microsoft Visual C++ 14.0 or greater is required. ``` 根据引用说明，下载并运行 [Microsoft C++ Build Tools](https://visualstudio.microsoft.com/visual-cpp-build-tools/) 并完成相应选项的选择。 #### 5. 测试安装结果 最后测试 `mmcv-full` 是否正常工作： ```python import torch from mmcv import Config print(torch.cuda.is_available()) # 应返回 True cfg = Config.fromfile('path_to_config.py') # 替换为实际路径 print(cfg.pretty_text) ``` --- ###