fanq15/FSOD-code的環境配置及運行
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
最近在搞小樣本目標檢測，看到這個代碼就扒下來看看
對應的論文地址Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
文章目錄
- fanq15/FSOD-code的環境配置及運行
- Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
- 前言
- 一、代碼下載
- 二、將資料集和預訓練模型拷貝到相應目錄下
- 1.目錄的樹形結構：
- 2.拷入資料集和預訓練模型
- 三、環境要求
- 1.需要的包
- 2.編譯CUDA代碼
- 四、代碼運行
- 1.跟據不同機器的GPU數量修改根目錄下的all.sh
- 2.已經訓練過模型，僅測驗
- 3.運行
前言
本文是我自己在ubuntu16.04LTS下成功的運行
fanq15/FSOD-code
代碼的經歷以及經驗
一、代碼下載
首先，查看你的系統是否已安裝git，已經安裝的跳過此步，
通過“git“指令進行查看，若未，安裝在終端中輸入：
sudo apt-get install git
配置好后，在你想要下載代碼的目錄下打開終端（如果你不嫌煩的話也可以cd過去）并輸入
git clone https://github.com/fanq15/FSOD-code.git
完成后，在對應的目錄下應該已經出現克隆好的檔案夾，如下圖選中部分，
檔案夾中內容：
注意，資料集和預訓練模型需要單獨下載，資料集大小約為15G左右，預訓練模型為265M注意目錄的剩余空間！
預訓練模型在其github介紹下已給出預訓練模型
二、將資料集和預訓練模型拷貝到相應目錄下
1.目錄的樹形結構：
2.拷入資料集和預訓練模型
模型檔案拷到fsod下,預訓練模型拷到pretrain_model下
拷入前對應目錄下有用來占位的連接檔案,無視洗掉掉就行
三、環境要求
需要裝有英偉達顯卡的機器，且已經安裝了CUDA 9.0（只能是9.0其他版本不行），我的機器是GTX1060（6G），驅動版本是384.130
1.需要的包
建議用anaconda新建一個虛擬環境來配置
可以用conda或者pip下載，速度慢的話換國內源，
2.編譯CUDA代碼
進入lib目錄，右鍵”在終端打開“
如果你是在anaconda下配置的上面所說的環境，比如我創建的環境名為FSOD，則首先進入環境，在終端中輸入
conda activate FSOD
并執行make.sh
sh make.sh
如果提示無權限，則在終端輸入下面命令后再運行，
sudo chmod 755 make.sh
四、代碼運行
1.跟據不同機器的GPU數量修改根目錄下的all.sh
如果你恰好財力雄厚，機器擁有四塊GPU，則可以跳過這步
高亮部分為模型訓練指令，下半部分為模型測驗指令，
比如我的機器只有一個GPU，則將
CUDA_VISIBLE_DEVICES=0,1,2,3 這里改為CUDA_VISIBLE_DEVICES=0
并將
- -bs 4改為 - -bs 1
如果你有兩個及以上的GPU則不用修改下半部分，如果是單GPU機器，則：
將- -multi-gpu-testing 刪掉
2.已經訓練過模型，僅測驗
可以將上圖的高亮部分洗掉掉，訓練好的模型保存在根目錄下的Outputs檔案夾中
訓練引數可以在FSOD/configs/fsod/下的voc_e2e_faster_rcnn_R-50-C4_1x_old_1.yaml中修改（默認迭代次數為240000，沒錯24萬，在我這小破游戲本上得跑到猴年馬月去，，，）
3.運行
在FSOD-code即代碼根目錄下，右鍵“在終端打開”，執行
conda activate "你的環境名“
sudo chmod 755 all.sh
sh all.sh
可以看到，已經開始訓練了，一般訓練到四五百次的時候，準確率就在90%左右浮動了，你可以ctrl+c/z中途終止訓練，模型也是會保存到Outputs檔案夾中的，
訓練時你可以新開一個終端，輸入
watch -n 1 nvidia-smi
來監視GPU狀態，上面命令的 -n 1意思是每1秒重繪一次，你也可以自己更改重繪時間比如-n 5 、-n 10等
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/229865.html
標籤：python