[Object Tracking][环境配置流程][Ubuntu16.04]SiamRPN++【CVPR2019】pysot

安装cuda：

在主目录下打.bashrc文件添加如下路径，设置环境变量。（如果没找到文件，可按Ctrl+H显示隐藏文件）

终端运行： source ~/.bashrc
检查nvcc --version，查询CUDA是否安装成功

解压cudnn：

安装anaconda：https://www.anaconda.com/download/下载，是一个sh文件，下好后直接运行。

加入环境变量：

建立并激活环境：

配置pytorch：（国外服务器下载不动，将源替换为清华）

测试是否安装成功：

确定版本：

添加环境变量：
把pysot加入环境变量，否则会出现ModuleNotFoundError: No module named ‘pysot’

export PYTHONPATH=/media/zlz/dataC/pysot/ubuntupysot:$PYTHONPATH

随后：
python tools/demo.py --config experiments/siamrpn_r50_l234_dwxcorr/config.yaml --snapshot experiments/siamrpn_r50_l234_dwxcorr/model.pth --video infrared/airplane_6_24_1

试运行demo.py：

成功
运行test.py
cd experiments/siamrpn_r50_l234_dwxcorr
python -u …/…/tools/test.py --snapshot model.pth --dataset OTB100 --config config.yaml

运行eval.py
python …/…/tools/eval.py --tracker_path ./results --dataset OTB50 --num 1 --tracker_prefix ‘siamRPNpp’
python tools/eval.py --tracker_path ./results --dataset OTB100 --num 1 --tracker_prefix ‘siamRPNpp’
OTB50准确率：

OTB100准确率：

代码笔记：
在…/pysot/experiments/siamrpn_r50_l234_dwxcorr下运行代码，将参数arg.dataset=OTB100,arg.config=config.yaml,arg.snapshot=model.pth传入。将{OTB100:path}打包成字典进入DatasetFactory.create_dataset,进入otb.py的OTBDataset

Appendix：
precesion plot(精度测算)主要指的是预测位置中心点与benchmark中标注的中心位置间的欧式距离，是以像素为单位进行的计算。一般是小于20则认为准确。
success plot(成功率测算)主要指的是预测目标所在benchmark的重合程度。通过success plot对scale和precision都有了数值上的描述。（success plot的计算方法如下，rt为tracked bounding box，r0为ground_truth bounding box）