关于在windows上完成目标检测模型Centernet 以及自己数据的训练
关于在windows上完成目标检测模型Centernet 以及自己数据的训练
配置设置
最近在windows上复现了centernet模型，跑通了demo，并对自己的数据进行了训练，这里对过程进行记录。
配置：Windows 10，VS2015，Anaconda3.5.1，python3.6，torch1.1，Cuda10.0，Cudnn7.5。（VS2015和python3.6应该是对应torch1.1）可以直接下载whl文件进行本地安装。文中涉及到的所有额外文件，包括安装包，py文件，模型文件，需要替换的文件，我都将打包上传。
模型：https://github.com/xingyizhou/CenterNet
将源码下载之后保存到英文目录下，因为代码中的cv2包的cv2.imread()只能从英文路径中读取文件，类似于：
模型复现/demo.py的运行
1
在命令行窗口中进入对应的源码文件下，对requirements.txt内的包进行安装：
pip install -r requirements.txt
2 编译DCNv2文件
（1）下载 https://github.com/CharlesShang/DCNv2 内的源码，然后将DCNv2文件夹替换CenterNet\src\lib\models\networks\DCNv2文件夹
（2）修改 DCN文件2\src\cuda\dcn_v2_cuda.cu：
//extern THCState *state; // 注释该行
THCState *state = at::globalContext().lazyInitCUDA(); // 添加该行
（3）编译
进入 CenterNet\src\lib\models\networks\DCNv2文件夹下，
打开make.sh，在该路径下运行该文件内的指令：
python setup.py build develop
3 编译NMS
（1）在命令行窗口中：cd CenterNet\src\lib\external
然后注释setup.py文件中该行代码：
#extra_compile_args=["-Wno-cpp", “-Wno-unused-function”]
主要原因是因为源码是针对ubuntu系统的，在windows上不兼容
（2）运行
python setup.py build_ext –inplace
4 测试
测试上通常在cmd窗口上测试，如果想在编译器（Syder）上直接测试，需要把opt.py中的默认项更改为自己想要的，同时把task项改为—task:
在命令行中的输入则为：
python demo.py ctdet --demo …/images/ --load_model …/models/ctdet_coco_dla_2x.pth
其中载入的模型和参数需要提前下载
dla34-ba72cf86.pth 置于C:\Users\Liuzp.cache\torch\checkpoints内
ctdet_coco_dla_2x.pth 置于F:\WORK\CenterNet\CenterNet\models 内
训练自己的数据
1 准备数据集
如果数据集的文件为图片，建议先将图片制作为VOC格式的数据，然后再将其转换为COCO格式的数据。
（1）首先将所有的图片（不同类别、用于测试、训练的图片）都置于同一个文件夹下，在CenterNet\data\ 下新建一个文件夹，我这里命名为signal，然后包含两个文件夹：annotations 和images。其中images下放置图片，且图片尺寸保持一致。（不需要根据图片现有尺寸对代码中的resolution进行更改，否则报错）
（2）利用labelImg软件对图片进行标注，标注好类别，比如我这里有五个标签，对应五个类别，生成对应的xml文件，存到annotations文件夹下，方面调用
（3）将xml文件转化为json文件，只需将voc2coco2.py文件中的classes修改为自己的类别，并设置好训练文件与验证文件的比例train_ratio与val_ratio即可。运行voc2coco2.py，即可完成xml文件到coco格式数据的转换，并把生成的json文件放在annotations文件夹下，分别是
train_sig.json、test_sig.json、val_sig.json。
（4）运行calculatestd.py对images文件夹下的图片进行RGB通道上均值和方差的计算。
2 修改配置信息
（1）到src/lib/datasets/dataset目录下，复制coco.py文件，并重命名为signal.py
14行 numclasses=5
16 行 mean和std修改为1.4中的计算结果
22行 super(signal, self).init()
23行修改数据读取路径，读取CenterNet/data/signal文件下图片
self.data_dir = os.path.join(opt.data_dir, ‘signal’)
self.img_dir = os.path.join(self.data_dir, ‘images’)
25行起，修改读取的json文件名，并添加test情况下的读取：
44行 修改class_name和valid_ids
（2）修改将数据集加入src/lib/datasets/dataset_factory里面
（3）在/src/lib/opts.py文件中修改默认的dataset和exp_id（输出用）
第28行，修改load_model的默认路径：
这里可以直接载入model文件夹中下载好的ctdet_coco_dla_2x.pth
第39行，修改num_workers的default=0
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，标准差，数据集名字）：
第336行，改下ctdet的init初始化信息。
（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）
45行下方加入
elif num_classes == 5 or dataset == ‘signal’:
460行加入检测的类别数，我的为
signal_class_name =[‘LFM’,‘EQFM’,‘SFM’,‘FRANK’,‘BARKER’]
3 训练数据
在./src/目录下，运行main.py文件，
python main.py ctdet
如果出现out of memory, 可以调小opt.py中的batch_size
训练完成后会生成log和模型文件如下：
如果想继续训练，就更改opt.py中的load_model默认路径，载入想要继续训练的模型，然后执行
python main.py ctdet --resume
4 测试和验证模型
（1）测试模型
利用之前生成的test_sig.json文件与model_best进行测试，在\CenterNet\src\路径下运行test.py文件
python test.py --not_prefetch_test ctdet
--load_model ../CenterNet/exp/ctdet/originalsignal/model_best.pth
（2）验证模型
验证模型就是利用demo.py对images文件夹下的图片或视频进行测试
python demo.py ctdet --demo …/images/signal1.jpg
–load_model …/CenterNet/exp/ctdet/originalsignal/model_best.pth
带数据增强验证则加上
--flip_test （翻转测试）
--test_scales 0.5, 0.75, 1, 1.25, 1.5（可以在opt.py中对其默认设置进行更改）
如果需要保存你的预测结果，可以到/CenterNet/src/lib/detecors/ctdet.py下，在show_results函数中的末尾加入这句：
debugger.save_all_imgs(path='/CenterNet-master/outputs', genID=True)
有什么问题大家可以关注我并留言，我会给大家回复
上传的资源还在审核中，通过审核后我会在评论中给出下载链接
附加文件