CornerNet的配置、训练与测试

一、前言

论文地址：https://arxiv.org/abs/1808.01244

开源代码：https://github.com/umich-vl/CornerNet

CornerNet论文阅读：https://blog.csdn.net/LLyj_/article/details/88900615

以下纯属个人按照README和Issues的实践记录，如有不当还请大家多多指教。

二、配置、训练、测试

1. 首先创建一个 Anaconda的环境，在根目录下运行以下命令：

   conda create --name CornerNet --file conda_packagelist.txt
   

   在这个过程中，也许有些包比较大，会出现错误，那就把那个报错的单独拿出来安装，用清华源比较快。

2. 上述全部安装完成之后，环境就建好了，接下来是激活环境，输入以下命令：

   source activate CornerNet
   

   激活成功后你会发现，在命令行的最前面多出了一个（CornerNet），这代表在虚拟环境中，也就是你第一步所创建的环境，如图所示：

   

3. 接下来编译corner pooling layers，因为他是C++写的，输入以下命令：

   # 进入相应的目录下 
   cd <CornetNet dir>/models/py_utils/_cpools/
   # 运行以下命令
   python setup.py install --user
   

   没有报出error即成功，warning不管他。

4. 接下来编译NMS，输入以下命令：

   # 进入相应的目录下 
   cd <CornetNet dir>/external
   # 编译
   make
   

5. 接下来Installing MS COCO APIs，逐步运行以下命令：

   # 先在根目录下创建data文件夹
   mkdir data
   # 进入到data目录下
   cd <CornetNet dir>/data
   # 下载，README里面的git那句没用，所以我去查阅了issue，作者有提供过一个新的，所以这里我们跟README不一样
   git clone https://github.com/cocodataset/cocoapi.git coco
   # 进入相应目录
   cd <CornetNet dir>/data/coco/PythonAPI
   # 编译
   make
   

6. 接下来最费时间：下载数据集，这里我是没下载，因为我一直在学习目标检测，所以coco数据集用了好几次，建议把这些常用的数据集（Pascal voc、coco等）放在硬盘里，以便跑其他算法时省去下载的时间，当然，也可以下载：

   # 下载annotations，这里给出链接，进入链接直接下载
   https://drive.google.com/file/d/1dop4188xo5lXDkGtOZUzy2SHOD_COXz4/view
   # 下载完annotations后，在<CornetNet dir>/data/coco下手动新建目录：annotations,然后把上步下载的annotations放进去
   # 接着下载images，下载3个，分别是2014 Train, 2014 Val, 2017 Test，链接如下：
   http://cocodataset.org/#download
   # 接下来在<CornerNet dir>/data/coco/新建images目录，把下载的三个放进去，分别改名为trainval2014, minival2014 testdev2017
   

7. 接下来开始训练，作者在论文中说到，训练用的是10个Titan X (PASCAL) 我没钱所以用是的GPU是一个Tesla K80，所以训练时稍微改了代码，具体如下：

   # 首先是指定一个GPU，所以我直接在train.py中添加了一句，这一句的作用是指定GPU
   torch.backends.cudnn.enabled   = True
   torch.backends.cudnn.benchmark = True
   os.environ["CUDA_VISIBLE_DEVICES"] = "0" # 加上这句
   # 之后修改了CornerNet.json中的两个地方，具体如下：
   "batch_size": 3, # 原来是"batch_size": 49,
   "chunk_sizes": [3], # 原来是"chunk_sizes": [4，5，5，5，5，5，5，5，5，5],这是相对应的，因为是10个GPU，所以这里有１０个数，且加起来等于batch_size＝４９
   

   训练过程截图：

   按照我的这个训练速度，大概30分钟能迭代340次，总共50万次。测试的话，训练结束后就自动测试，坐等ap就好了。

   tips：这个50万次是原来默认的，但是一般在训练一个网络之前，我通常都会把迭代次数调小一点，比如调成200，这样的目的是为了看训练完一遍的结果，看他训练结束后会咋样，会不会报错啥的，然后有些可能还会测试，所以先看它完整的一遍流程，最后确保无误之后，把迭代次数调大，然后就可以高枕无忧了。

三、遇到的问题

说明：大家如果遇到了问题，可以GitHub上的Issues查找，我的所有问题都是Issues找到解决方案的。因为有时候百度查不到。

1. No module named 'torch.utils.cpp_extension’

   不要慌，这个错误就是pytorch的版本问题，解决方案就是换版本，换到0.4.0或者0.4.1，详情请看这里

2. 运行python setup.py install --user后报错，error: command ‘gcc’ failed with exit status 1

   这也是pytorch的版本问题，解决方案就是换版本，换到0.4.0或者0.4.1，详情请看这里