CenterNet:Objects as Points代码解析（一） ：CenterNet\src\main.py

注 ：

1、
训练命令
python main.py ctdet --exp_id pascal_dla_384 --dataset pascal --num_epochs 70 --lr_step 45,60
即，以 pascal 数据集为例，dla34为基础框架运行
2、
对论文CenterNet:Objects as Points的代码进行了阅读，在此记录一下，有纰漏的地方，希望大家能够指出，一起探讨。
3、
最好用pycharm等软件调试阅读，跳到哪查看哪一块。

这里附上 简单的调试教程 和 对ubuntu下使用命令行运行的代码如何在pycharm中运行调试 的链接

# – coding:utf-8 –
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import _init_paths

import os

import torch
import torch.utils.data
from opts import opts
from models.model import create_model, load_model, save_model
from models.data_parallel import DataParallel
from logger import Logger
from datasets.dataset_factory import get_dataset
from trains.train_factory import train_factory


def main(opt):
  torch.manual_seed(opt.seed)
  #benchmark = True 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题
  torch.backends.cudnn.benchmark = not opt.not_cuda_benchmark and not opt.test
  # get_dataset函数返回的是一个类，所以 Dataset是一个类的实例对象,用来获取训练特定任务模型需要数据。
  #Dataset继承类PascalVOC和CTDetDataset.
  #Dataset是一个类的实例对象,实例化的时候只是初始化类，即，只执行__init__函数，以后用到那个函数，调用该实例对象即可。
  Dataset = get_dataset(opt.dataset, opt.task)#get_dataset
  # 升级数据集信息并设置模型输出heads层。比如我们需要bounding box识别任务， 我们就需要设置三个输出hm, wh, reg.
  opt = opts().update_dataset_info_and_set_heads(opt, Dataset)
  print(opt)

  logger = Logger(opt)

  os.environ['CUDA_VISIBLE_DEVICES'] = opt.gpus_str
  opt.device = torch.device('cuda' if opt.gpus[0] >= 0 else 'cpu')
  
  print('Creating model...')
  #model是DLASeg类的一个实例化对象,实例化的时候只是初始化类，即，只执行__init__函数，以后用到那个函数，调用该实例对象即可。
  model = create_model(opt.arch, opt.heads, opt.head_conv)
  optimizer = torch.optim.Adam(model.parameters(), opt.lr)
  start_epoch = 0
  if opt.load_model != '':
    model, optimizer, start_epoch = load_model(
      model, opt.load_model, optimizer, opt.resume, opt.lr, opt.lr_step)

  Trainer = train_factory[opt.task]#结果Trainer是一个类
  #trainer是Trainer类的一个实例化对象
  trainer = Trainer(opt, model, optimizer)#构建损失函数（loss），再结合opt, model, optimizer构建训练结构。
  trainer.set_device(opt.gpus, opt.chunk_sizes, opt.device)

  print('Setting up data...')
  #验证数据集加载器
  val_loader = torch.utils.data.DataLoader(
      Dataset(opt, 'val'), #Dataset是PascalVOC类的实例化对象
      batch_size=1, 
      shuffle=False,
      num_workers=1,
      pin_memory=True
  )

  if opt.test:
    _, preds = trainer.val(0, val_loader)
    val_loader.dataset.run_eval(preds, opt.save_dir)
    return
  # 训练数据集加载器；train_loader是torch.utils.data.DataLoader类的实例化对象,且train_loader中的Dataset继承类PascalVOC和CTDetDataset.

  train_loader = torch.utils.data.DataLoader(
      Dataset(opt, 'train'), #Dataset是PascalVOC类的实例化对象
      batch_size=opt.batch_size, 
      shuffle=True,
      num_workers=opt.num_workers,
      pin_memory=True,
      drop_last=True
  )

  print('Starting training...')
  best = 1e10
  for epoch in range(start_epoch + 1, opt.num_epochs + 1):
    mark = epoch if opt.save_all else 'last'
    log_dict_train, _ = trainer.train(epoch, train_loader)
    logger.write('epoch: {} |'.format(epoch))
    for k, v in log_dict_train.items():
      logger.scalar_summary('train_{}'.format(k), v, epoch)
      logger.write('{} {:8f} | '.format(k, v))
    if opt.val_intervals > 0 and epoch % opt.val_intervals == 0:
      save_model(os.path.join(opt.save_dir, 'model_{}.pth'.format(mark)), 
                 epoch, model, optimizer)
      with torch.no_grad():
        log_dict_val, preds = trainer.val(epoch, val_loader)
      for k, v in log_dict_val.items():
        logger.scalar_summary('val_{}'.format(k), v, epoch)
        logger.write('{} {:8f} | '.format(k, v))
      if log_dict_val[opt.metric] < best:
        best = log_dict_val[opt.metric]
        save_model(os.path.join(opt.save_dir, 'model_best.pth'), 
                   epoch, model)
    else:
      save_model(os.path.join(opt.save_dir, 'model_last.pth'), 
                 epoch, model, optimizer)
    logger.write('\n')
    if epoch in opt.lr_step:
      save_model(os.path.join(opt.save_dir, 'model_{}.pth'.format(epoch)), 
                 epoch, model, optimizer)
      lr = opt.lr * (0.1 ** (opt.lr_step.index(epoch) + 1))
      print('Drop LR to', lr)
      for param_group in optimizer.param_groups:
          param_group['lr'] = lr
  logger.close()

if __name__ == '__main__':
  opt = opts().parse()
  main(opt)