将CenterNet运用在自己的数据集上

文主要讲述修改模型的过程与遇到的问题及解决办法
首先感谢两位作者的博客：
https://blog.csdn.net/weixin_42634342/article/details/97756458
https://blog.csdn.net/weixin_41765699/article/details/100118353

一、数据集预处理

由于我之前在Faster RCNN用的是xml格式的标注文件，在CenterNet中需要使用json格式，因此要把数据集转为coco的json格式才可以使用。
关于格式转换，可参考https://blog.csdn.net/weixin_41765699/article/details/100124689
这里我遇到了一个问题，在调试成功之后运行，发现有两个类别预测正好相反，这肯定不是预测的问题，应该是标签的问题，在制作json文件时要确认每个类别对应的id，可打印打来查看。
在上个链接中的代码约158行添加一句打印：

打印结果：

在我的数据集中，根据打印的结果，0对应背景，1对应concentrte，2对应down，3对应rotate，而实际预测的结果1和2的预测结果是反的，写博客时问题还未解决，待解决之后再添加到这里。
生成的json文件应该有三个，包括训练验证与测试，备用。

二、修改CenterNet

需要修改的地方很多，让我们来一一修改。

1、 在src/lib/datasets/dataset里面新建一个“meeting. py”，文件内容照着文件夹下coco.py改成自己的，meeting可修改为你自己的名字

1、下面的num_classes修改为自己类别数，在我的工程里是3个类别数，不包括背景！要特别注意！连背景一共4个！

2、将mean和std修改为自己数据集的均值与方差，作者这么做的目的好像是为了提高精度，到底有没有提升，不得而知。修改参考链接：https://blog.csdn.net/weixin_41765699/article/details/100118660

3、修改数据和图片路径，data_dir 输入的是咱们之前建立的数据集文件夹的名字，img_dir 输入的是 images 图片文件夹，注意22行的COCO也要秀给为MEETING。

4、修改json的路径

split对应为val，json文件对应为val.json,下面两项也按照我的修改就行了。
5、修改类别名与id

这里要注意，背景默认为0 ，self._valid_ids 修改自己对应的标签id，与你生成json文件时的对应！否则就会出现预测相反的问题。

以上几点都是在新建的meeting.py文件中修改。

2、将数据集加入src/lib/datasets/dataset_factory里面

在dataset_facto字典里加入自己的数据集名字 （格式为 ‘你之前创建的Python文件的名字’：你自己数据集类的名字，因为要从你创建的py文件里找到你的数据类，名字必须对应上）

3、修改/src/lib/opts.py

1、将自己的数据集设为默认数据集，加入到help里面

2、修改ctdet任务使用的默认数据集为新添加的数据集，如下（修改分辨率，类别数，均值，方差，数据集名字）

4、修改src/lib/utils/debugger.py文件(变成自己数据的类别和名字，前后数据集名字一定保持一致）

1、添加自己的类别数与类别名

2、添加自己的类别具体名称列表

暂时需要修改的就是这些。
上一个预测的图片

因为我仅仅使用了90张训练图片，训练了140轮次，所以效果并不是很完美，有待进一步提升！

2019.9.24 17:20记录

记录一下前面数据集预处理时遗留的问题。
在我的数据集中，根据打印的结果，0对应背景，1对应concentrte，2对应down，3对应rotate，而实际预测的结果1和2的预测结果是反的。

问题查找

问题源于，在上述转coco数据集json文件的代码中，类别名与类别id一一对应的关系是根据查找到的类别顺序确定的，即按照不重复的类别名的顺序对应类别id，例如

对应的类别名与对应的类别id为

[1:concentrate, 2:down, 3:rotate] 其中 1,2,3为类别id
而

对应的类别名与对应的类别id为

[1:down, 2:concentrate, 3:rotate] 其中 1,2,3为类别id