CenterNet训练自己的数据集

重点！

首先说一下具体的代码能运行成功所需要的条件：
cuda9.0
与cuda9.0相匹配的cudnn
pytorch0.4.0版本

然后就是自己遇到的一系列问题了：
Q1
首先我是想在自己原来的cuda10.0和cudnn下运行的，但是出现了很多问题，尤其是在编译DCNv2的时候，于是我参考了这篇博客，发现问题并没有解决，主要问题是想要和cuda10.0匹配，那么pytorch就不能是0.4.1版本的，就一定会高于这个版本，那么出现的ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead.问题和TypeError: dist must be a Distribution instance问题就不可避免，想要解决就只能自己重写DCNv2的代码，所以我放弃了。
选择重新安装cuda9.0

前提：

自己的电脑是2080Ti的，已经有的环境是cuda10.0+与cuda10.0匹配的cudnn7.6.5。
由于代码在cuda10.0下会出现很多错误，所以我先把cuda10.0换成了cuda9.0。详细请参考另一篇博客：安装另一个版本cuda和cudnn

搭建环境

cuda和cudnn已经安装好了，开始利用Anaconda搭建一个新的环境，来运行CenterNet网络。

1. 创建虚拟conda 环境
   conda create --name CenterNet python=3.6
2. 激活环境
   conda activate CenterNet
   以后运行CenterNet都要在这个环境中运行，关闭终端，再开启新的终端的时候，一定记得切换环境，否则肯定会有问题的。如果使用pycharm，也要记得加载新的环境。
   pycharm加载新的环境方法：Files——settings——Project: CenterNet-master——Project Interpreter——点击Project Interpreter后面的设置符号，出现两个选项，选择Add那一项——选择conda Environment——Existing environment——选择自己刚才新建的环境CenterNet。
3. 安装pytorch0.4.1版本：
   pip install torch==0.4.1
4. 安装 torchvision
   pip install torchvision==0.2.2

一定一定！！！记住就是打开终端的时候记得切换环境！后面的很多操作，我没有强调切换环境，但是只要你是重新开启了新的终端就一定要切换环境！切换到CenterNet。

这样暂时算环境搭建完毕，现在想试试demo能不能跑起来。

测试demo

1. 安装cocoapi
   自己去下载一个cocoapi，github上有很多：参考
   下载完，放在CenterNet目录下就可以了，然后进入到目录./cocoapi/PythonAPI 运行 make
   然后在运行：python setup.py install --user
2. 安装需要用到的依赖库：
   来到CenterNet的目录下，打开终端执行pip install -r requirements.txt下载需要用到的依赖库。
3. 编译 Compile deformable convolutional (from DCNv2).
   进入到指定路径CenterNet_ROOT/src/lib/models/networks/DCNv2下，运行make.sh文件即可。
4. 编译一下NMS，来到external文件下，打开终端，环境切换到CenterNet下，编译一下，make
5. 下载预训练的模型放置到models文件夹下，这里下载的是目标检测，选了一个最高分的。在这个网址中下载一个训练好的模型，我下载了第一个model。下载完了，放在models下。
6. 然后开始可以测试demo，来到src文件下，打开终端，输入：
   python demo.py ctdet --demo /home/dlut/网络/CenterNet-master/images/ --load_model /home/dlut/网络/CenterNet-master/models/ctdet_coco_dla_2x.pth
   注意这个路径要改成自己的绝对路径。就可以看到测试的结果了。

我在运行的时候遇到了问题：RuntimeError: cuda runtime error (11) : invalid argument at /pytorch/aten/src/THC/THCGeneral.cpp:663
解决办法是：在demo.py中加了：
import torch
torch.backends.cudnn.enabled = False #加上这两句就可以跑通代码

准备自己的数据集

一般，我们自己的数据集都是VOC格式的，这个需要转换成coco格式的数据集，参考另一篇博客。

1. 当我们生成三个json文件（train.json；val.json；test.json）之后，来到CenterNet-master这个工程里，在data文件夹下新建一个文件夹，名字就是你数据集的名字。
   
2. 再在这个文件夹里面建两个文件夹（annotations里面存放的是我们之前生成的那三个json文件；images存放的是所有的图片，包括训练测试验证三个，所有的）：
3. 在src/lib/datasets/dataset里面新建一个“insulatorBolt.py”，文件内容照着文件夹下coco.py改成自己的。
   （1）将COCO类改成自己的名字
   class InsulatorBolt(data.Dataset):
   （2）第14行num_classes=80改成自己的类别数，我的是四类，所以改为了num_classes=4
   （3）第15行default_resolution(这个参数有两种（300,300）或者（512,512），很明显512的参数计算量大，300计算量小，我用的是512)，所以为：default_resolution = [512, 512]
   （4）接下来的mean和std改成自己图片数据集的均值和方差，脚本链接： Python计算图片数据集的均值方差
   通过计算，我的均值和方差改为了：

mean = np.array([1.816706, 1.856168, 1.751525],
                  dtype=np.float32).reshape(1, 1,