AVOD代码复现

参考文献：
https://zhuanlan.zhihu.com/p/86340957
https://zhuanlan.zhihu.com/p/354842740
https://www.guyuehome.com/39798
https://zhuanlan.zhihu.com/p/40271319

1，配置环境

conda create -n avod python=3.5
conda install tensorflow-gpu=1.3.0
conda install matplotlib
conda install -c conda-forge opencv 
conda install pandas
conda install pillow
conda install scipy
pip3 install -U scikit-learn

1.1 解决conda install py-opencv 时出现 failed with initial frozen solve. Retrying with flexible solve 的问题

pip3 install --upgrade pip

pip install opencv-python

1.2 import tensorflow TypeError: init() got an unexpected keyword argument 'serialized_options

conda remove tensorflow-gpu
pip uninstall tensorflow
conda install tensorflow-gpu=1.3.0

重装tensorflow，版本冲突

2，下载代码编译代码

代码地址：https://github.com/Qin-xs/avod_Re

2.1 wavedata依赖库

它的目录在 wavedata/wavedata/tools/core/lib 中，在lib文件夹下按顺序执行下列指令

conda activate avod
cd src
cmake ..
make

2.2 protobuf文件

protobuf是google的一个开源的用来做数据通信的库，关于它的介绍大家有兴趣可以去网上查。在avod/protos文件中有很多.proto文件，这些文件定义了通信用的数据内容和格式，但是想在程序中使用他们，得使用protobuf对他们进行编译，给每个.proto文件生成一个python文件。编译也很简单，执行下面一条指令就行.

protoc avod/protos/*.proto --python_out=

执行中之后会提示你有语法错误，不用管他，看avod/protos文件中是否生成了python文件，只要生成了，这一步就可以结束了。

3 配置环境

工程是基于python编写的，定义了很多模块，这些模块之间需要互相调用，但各个模块又是相对独立的，所以需要把各个模块的路径添加到python的环境变量中，以方便他们之间互相调用。

在终端输入这条指令打开设置环境变量的文件

sudo vim ~/.bashrc

在文件的最后输入添加下面两行（注意，这里面的路径是绝对路径，这是我电脑里的路径，大家要根据自己电脑的存放路径来改）

export PYTHONPATH=$PYTHONPATH:'/home/siat/project/project_detect/avod_Re/wavedata'
export PYTHONPATH=$PYTHONPATH:'/home/siat/work/object_detection/avod_Re-master'

配置环境变量以后，为了让它生效，需要重新打开终端，然后再使用如下指令重新进入anaconda环境

source ~/.bashrc
conda activate avod

4, 准备数据集

4.1 下载数据集

https://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

4.2 下载附加文件

这个附加数据文件包括两部分：

trainval.txt、train.txt、val.txt：这三个文件帮助程序把训练数据又重新分为训练集和验证集
planes：这个是作者自己生成的路面平面拟合参数，它的用处等我们后面讲详细代码时再讲
下载地址为：https://drive.google.com/drive/folders/1yjCwlSOfAZoPNNqoMtWfEjPCfhRfJB-Z

4.3 整理数据目录

程序读取文件是按照一定的目录结构读取的，它们的目录结构如下图：

要注意的是，testing和training中都有image_2、velodyne两个文件夹，但它们的内容是不同的，分别是测试集和训练集中的内容，而它们都有的calib、label_2两个文件夹中的内容是相同的。

object文件夹放在~/Kitti/文件夹中，这是程序默认的，如果不想放这个目录里，得修改程序，所以我们先不找这个麻烦了，就先放这了。

mkdir -p ~/Kitti/object/

5，生成Mini-batch

Mini-batch 是 RPN 所需要的东西，在终端中输入如下指令即可生成

python scripts/preprocessing/gen_mini_batches.py

执行过程需要几分钟，等一等吧。

如果成功，会在avod/data目录下生成label_clusters和mini_batches两个文件夹

终端会显示下面的图像

6，训练

一条指令启动训练

python avod/experiments/run_training.py --pipeline_config=avod/configs/pyramid_cars_with_aug_example.config  --device='0' --data_split='train'

终端会显示以下图像：

在我的电脑配置下需要执行十几个小时左右，跑一晚上就好了，我的电脑GPU型号是：GTX 3090

7，验证

执行如下命令：

python avod/experiments/run_evaluation.py --pipeline_config=avod/configs/pyramid_cars_with_aug_example.config --device='0' --data_split='val'

如果这时候会提示如下信息

INFO:tensorflow:No new checkpoints found in /home/avod/avod/data/outputs/pyramid_cars_with_aug_example/checkpoints. Will try again in 30 seconds
第一种解决方法：
在avod/configs/pyramid_cars_with_aug_example.config 里面将pyramid_cars_with_aug_example/改为pyramid_cars_with_aug_example/checkpoints/
失败

第二种解决方法：
将avod/core/evaluator.py #449 pyramid_cars_with_aug_example，然后把它改成你自己outputs下的真实文件夹名字就行

在我的电脑配置下需要执行30小时左右

接着等吧

执行完以后使用下面的指令调用tensorboard画出训练过程中的各个指标的变化趋势

conda install -c conda-forge tensorboard
cd avod/data/outputs/pyramid_cars_with_aug_example
tensorboard --logdir logs

7.2 TensorFlow错误：TypeError: init() got an unexpected keyword argument ‘serialized_options’

问题其实很简单，TensorFlow和protobuf的版本不匹配，

pip install -U protobuf

7.3 AttributeError: module ‘tensorflow.python.estimator.estimator_lib’ has no attribute ‘SessionRunHook’

问题其实很简单，TensorFlow和tensorboard的版本不匹配，

tensorboard 1.15.0
tensorflow 1.3.0

pip uninstall tensorboard 
pip install tensorboard==1.11.0

居然成功

注意，这只是调用了tensorboard，输入指令以后终端会给出如下提示

这告诉我们，如果想看变化趋势的曲线，需要在浏览器中打开终端提示的网址，我的曲线如下图所示

我们可以看到，里面有rpn_loss、avod_loss等指标的变化趋势（感觉跳动有点大）

8, Inference

执行run inference，执行这一步是干啥的，暂时还不清楚

python avod/experiments/run_inference.py --checkpoint_name='pyramid_cars_with_aug_example' --data_split='val' --ckpt_indices=120 --device='0'

9, 查看结果

这一步是生成带预测框的2d图片，输入指令

python demos/show_predictions_2d.py

会生成图片，自动存放在文件夹avod/data/outputs/pyramid_cars_with_aug_example/predictions/images_2d/predictions/val/120000/0.1中
这里放几张图片看下效果吧

到这里，就完成网络所有的训练和使用流程了。