關於在windows上完成目標檢測模型Centernet 以及自己數據的訓練

關於在windows上完成目標檢測模型Centernet 以及自己數據的訓練

配置設置

最近在windows上覆現了centernet模型，跑通了demo，並對自己的數據進行了訓練，這裏對過程進行記錄。
配置：Windows 10，VS2015，Anaconda3.5.1，python3.6，torch1.1，Cuda10.0，Cudnn7.5。（VS2015和python3.6應該是對應torch1.1）可以直接下載whl文件進行本地安裝。文中涉及到的所有額外文件，包括安裝包，py文件，模型文件，需要替換的文件，我都將打包上傳。
模型：https://github.com/xingyizhou/CenterNet
將源碼下載之後保存到英文目錄下，因爲代碼中的cv2包的cv2.imread()只能從英文路徑中讀取文件，類似於：

模型復現/demo.py的運行

1

在命令行窗口中進入對應的源碼文件下，對requirements.txt內的包進行安裝：
pip install -r requirements.txt

2 編譯DCNv2文件

（1）下載 https://github.com/CharlesShang/DCNv2 內的源碼，然後將DCNv2文件夾替換CenterNet\src\lib\models\networks\DCNv2文件夾
（2）修改 DCN文件2\src\cuda\dcn_v2_cuda.cu：
//extern THCState *state; // 註釋該行
THCState *state = at::globalContext().lazyInitCUDA(); // 添加該行
（3）編譯
進入 CenterNet\src\lib\models\networks\DCNv2文件夾下，
打開make.sh，在該路徑下運行該文件內的指令：

python setup.py build develop

3 編譯NMS

（1）在命令行窗口中：cd CenterNet\src\lib\external
然後註釋setup.py文件中該行代碼：
#extra_compile_args=["-Wno-cpp", “-Wno-unused-function”]
主要原因是因爲源碼是針對ubuntu系統的，在windows上不兼容
（2）運行

python setup.py build_ext –inplace

4 測試

測試上通常在cmd窗口上測試，如果想在編譯器（Syder）上直接測試，需要把opt.py中的默認項更改爲自己想要的，同時把task項改爲—task:

在命令行中的輸入則爲：
python demo.py ctdet --demo …/images/ --load_model …/models/ctdet_coco_dla_2x.pth
其中載入的模型和參數需要提前下載
dla34-ba72cf86.pth 置於C:\Users\Liuzp.cache\torch\checkpoints內
ctdet_coco_dla_2x.pth 置於F:\WORK\CenterNet\CenterNet\models 內

訓練自己的數據

1 準備數據集

如果數據集的文件爲圖片，建議先將圖片製作爲VOC格式的數據，然後再將其轉換爲COCO格式的數據。
（1）首先將所有的圖片（不同類別、用於測試、訓練的圖片）都置於同一個文件夾下，在CenterNet\data\ 下新建一個文件夾，我這裏命名爲signal，然後包含兩個文件夾：annotations 和images。其中images下放置圖片，且圖片尺寸保持一致。（不需要根據圖片現有尺寸對代碼中的resolution進行更改，否則報錯）
（2）利用labelImg軟件對圖片進行標註，標註好類別，比如我這裏有五個標籤，對應五個類別，生成對應的xml文件，存到annotations文件夾下，方面調用
（3）將xml文件轉化爲json文件，只需將voc2coco2.py文件中的classes修改爲自己的類別，並設置好訓練文件與驗證文件的比例train_ratio與val_ratio即可。運行voc2coco2.py，即可完成xml文件到coco格式數據的轉換，並把生成的json文件放在annotations文件夾下，分別是
train_sig.json、test_sig.json、val_sig.json。
（4）運行calculatestd.py對images文件夾下的圖片進行RGB通道上均值和方差的計算。

2 修改配置信息

（1）到src/lib/datasets/dataset目錄下，複製coco.py文件，並重命名爲signal.py
14行 numclasses=5
16 行 mean和std修改爲1.4中的計算結果
22行 super(signal, self).init()
23行修改數據讀取路徑，讀取CenterNet/data/signal文件下圖片
self.data_dir = os.path.join(opt.data_dir, ‘signal’)
self.img_dir = os.path.join(self.data_dir, ‘images’)
25行起，修改讀取的json文件名，並添加test情況下的讀取：

44行 修改class_name和valid_ids

（2）修改將數據集加入src/lib/datasets/dataset_factory裏面

（3）在/src/lib/opts.py文件中修改默認的dataset和exp_id（輸出用）

第28行，修改load_model的默認路徑：

這裏可以直接載入model文件夾中下載好的ctdet_coco_dla_2x.pth
第39行，修改num_workers的default=0

修改ctdet任務使用的默認數據集爲新添加的數據集，如下（修改分辨率，類別數，均值，標準差，數據集名字）：
第336行，改下ctdet的init初始化信息。

（4）修改src/lib/utils/debugger.py文件(變成自己數據的類別和名字，前後數據集名字一定保持一致）
45行下方加入
elif num_classes == 5 or dataset == ‘signal’:

460行加入檢測的類別數，我的爲
signal_class_name =[‘LFM’,‘EQFM’,‘SFM’,‘FRANK’,‘BARKER’]

3 訓練數據

在./src/目錄下，運行main.py文件，
python main.py ctdet
如果出現out of memory, 可以調小opt.py中的batch_size
訓練完成後會生成log和模型文件如下：

如果想繼續訓練，就更改opt.py中的load_model默認路徑，載入想要繼續訓練的模型，然後執行

python main.py ctdet --resume

4 測試和驗證模型

（1）測試模型
利用之前生成的test_sig.json文件與model_best進行測試，在\CenterNet\src\路徑下運行test.py文件

python test.py --not_prefetch_test ctdet 
 --load_model ../CenterNet/exp/ctdet/originalsignal/model_best.pth

（2）驗證模型
驗證模型就是利用demo.py對images文件夾下的圖片或視頻進行測試
python demo.py ctdet --demo …/images/signal1.jpg
–load_model …/CenterNet/exp/ctdet/originalsignal/model_best.pth
帶數據增強驗證則加上

--flip_test （翻轉測試）
--test_scales 0.5, 0.75, 1, 1.25, 1.5（可以在opt.py中對其默認設置進行更改）

如果需要保存你的預測結果，可以到/CenterNet/src/lib/detecors/ctdet.py下，在show_results函數中的末尾加入這句：

debugger.save_all_imgs(path='/CenterNet-master/outputs', genID=True)

有什麼問題大家可以關注我並留言，我會給大家回覆
上傳的資源還在審覈中，通過審覈後我會在評論中給出下載鏈接
附加文件