在Ubuntu18.04系统中非root服务器用户如何跑通PointRCNN（禁止转载）

上周刚刚复现了PointRCNN，从数据集的准备，到代码的下载，再到环境的配置，其中种种波折，不胜其数。参照了很多大神的帖子，现在终于顺利跑通代码，在此记录一下，以备自己回顾，也希望能给大家一点帮助。

数据集的准备

这一部分参照KITTI数据集下载（百度云)、Linux zip与tar分卷压缩及合并解压和点云目标检测（一）——PointRcnn复现。

Step 1 下载KITTI数据集

根据KITTI数据集下载（百度云)中的百度云链接，下载KITTI数据集。下载得到的文件如下图：

也可以从github作者给的链接中再下载一个train_planes.zip的文件。

Step2 将下载后的文件解压
参照Linux zip与tar分卷压缩及合并解压，将data_objet_image_2前缀的3个压缩文件放一个文件夹里，在终端中：

# 将上述三个压缩包合并为一个压缩文件
zip subimgs.zip -s=0 --out single.zip
# 解压single.zip 
unzip -d ./single.zip

对于data_objet_velodyne前缀的4个压缩文件也进行类似的操作。

其他没有子压缩包的压缩文件直接解压。

Step3 组织数据集结构
参照点云目标检测（一）——PointRcnn复现 组织数据结构，最终得到的数据结构如下图所示：

程序的下载

参照点云目标检测（一）——PointRcnn复现，用git clone 在linux终端下载程序，直接在github里下载得到的zip文件不全，在window终端中下载的版本不一样，不适用linux。

git clone --recursive https://github.com/sshaoshuai/PointRCNN.git

环境的配置

这个是重头戏，PointRCNN的环境配置非常苛刻。在服务器自己的账号中最好是要配置自己的cuda环境，因为root账号的cuda版本一般较高，直接配置往往会失败。经多次试验后发现 cuda10.1+python3.6.2+ pytorch 1.4.0+torchvision0.5.0的配置是ok的。

Step 1 配置cuda 10.1

去官网下载cuda10.1。一定要下载下图所示的cuda版本cuda_10.1.243.418.87.00_linux.run。相较于其他的cuda10.1的cuda版本，这个版本可以自定义路径。另一个版本试过，失败。

cudnn的版本可以参照下图的，到官网选个合适的应该就行。下载的时候不用注册，可以直接复制下载链接，用wget或者迅雷下载。

参照非root用户在服务器上安装CUDA10.1和对应cudnn到指定目录_sdkjkfk的博客-程序员秘密进行安装。

Step 2 配置pytorch 环境

（1）为了更快地下载包，先添加清华源。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

conda config --set show_channel_urls yes

（2）创建并激活虚拟环境。

conda activate -n py36 python=3.6.2
source activate py36

（3）安装pytorch

conda install pytorch==1.4.0 torchvision==0.5.0 cudatoolkit=10.1

(4)安装包

conda install easydict

conda install tqdm

conda install tensorboardX

conda install fire

conda install numba

conda install pyyaml

conda install scikit-image

conda install shapely

（5）通过代码中的程序安装包

cd pointRCNN
sh build_and_install.sh

到这里基本上环境就可以配置成功了。如果有失败的话，可以考虑步骤（4）中安装包的时候用pip，或者把步骤（4）时将清华源删去，恢复默认设置。

训练阶段

该部分主要参照点云目标检测（一）——PointRcnn复现。

Step 1 数据预处理

cd pointRCNN/tools #进入程序目录
python generate_gt_database.py --class_name 'Car' --split train

Step 2 第一阶段的训练（rpn）

多GPU训练

CUDA_VISIBLE_DEVICES=0,1 python train_rcnn.py --cfg_file cfgs/default.yaml --batch_size 16 --train_mode rpn --epochs 200 --mgpus 

Step3 第二阶段的训练（RCNNNet）

多GPU训练

CUDA_VISIBLE_DEVICES=0,1 python train_rcnn.py --cfg_file cfgs/default.yaml --batch_size 4 --train_mode rcnn --epochs 70  --ckpt_save_interval 2 --rpn_ckpt ../output/rpn/default/ckpt/checkpoint_epoch_200.pth --mgpus 

该部分在运行代码时会出现问题：

RuntimeError: cuDNN error: CUDNN_STATUS_NOT_SUPPORTED. This error may appear if you passed in a non-contiguous input.

这是因为输入不连续的问题，参照https://github.com/sshaoshuai/PointRCNN/issues/151，对torch的代码进行修改。

然后代码就可以正常运行了。

以上就是跑通PointRCNN代码的全过程，这一套流程在不同的服务器上都试过，都可以成功跑通代码。如果有实践的过程中，有其他bug出现，欢迎在评论区留言。