1.使用mmdeploy部署rtmdet ins做实例分割
2.利用python embed打包--facechain windows安装包制作过程

使用mmdeploy部署rtmdet ins做实例分割

       在尝试使用mmdeploy部署rtmdet ins进行实例分割时，源码发现网上资源较少，安装github的源码问题也有不少未解决，只得自己动手，安装留作档案。源码

       构建时需严格遵循源代码构建流程，安装c语言 秒表源码从下载到构建，源码避免第三方库问题。安装

       ppl.cv不支持cuda，源码构建时需在cuda.cmake中设置与自己显卡对应的安装flag。

       使用了最新版的源码tensorrt和cudnn，版本对运行结果影响不大，安装但确保环境变量已正确设置。源码

       安装mmcv时需注意版本，安装应使用大于2.0.0、源码小于2.2.0的版本，直接按照教程安装易导致版本2.3.0，mmdet会报错，我选择安装2.1.0版本。源码熊课件

       在使用中需注意cuda版本，选择.x版本最为合适。

       因为mmdeploy需要nvcc进行编译，所以本地的cuda toolkit也应安装。我忽视了这一点，nvcc编译可以正常通过，但在运行时在trt nms处出现错误。

       在修改permuteData.cu文件后，发现问题是直播源码下由于sm_不兼容（我的显卡是，查看主机cuda版本是否支持）。吐槽的是，即使卸载过cuda导致nvcc版本为.1，编译也能通过！

       如果你的cuda版本高于.x，请修改zsh/bash指定版本，先执行，再添加到环境变量。

       在模型转换时，符文源码需要将mmdetection的_base_文件夹导入到mmdeploy的_base_中，将mmdetection的/config/rtmdet导入到mmdeploy的/config中，否则会找不到type。

利用python embed打包--facechain windows安装包制作过程

       在学习过程中受到启发，了解到Python可以通过embed方式部署和安装，决定在facechain上实践这一过程。以下是详细的操作记录。

       从python.org官网下载对应版本的Python-embed，并在本地解压缩。食谱类源码

       安装pip，首先下载，然后运行安装。

       安装完成后，可能会出现一个warning，是否加入D:\python-3..-embed-amd\Scripts到path环境变量，实际操作中可选。

       修改路径下python._pth文件，具体命名与版本相关。需删除#import site注释，并增加embed路径。

       运行pip安装所需的包，将requirements.txt文件拷贝过来，指定安装路径以避免影响系统已安装的版本。

       尝试安装mmcv-full，遇到问题时发现关联到pycharm下的mmcv，选择手动指定路径安装。

       安装完成后，遇到依赖冲突，优先处理这些问题。

       程序拷贝，可以使用pycharm程序或通过git操作，甚至git clone。

       在Embed环境下运行程序，遇到Module找不到的问题，通过在python._pth中增加一行解决。

       依赖包中遇到包找不到的问题，特别是在modelscope中的venv，通过安装virtualvenv并修改源代码中的导入语句解决。

       调试过程中，上传及开始训练后报错，确认是使用accelerate时报错。直接在cmd窗口中运行程序，无误后修改源代码，去除accelerate部分。

       发现dataprocess包无法识别，再次在python._pth中加入解决。

       训练及推理过程正常，所有文件打包，文件体积庞大。

       上传至云盘，供爱好者测试。