【目标检测-网络测试1】RFBNet代码复现及问题解决

为理解空洞卷积的详细作用以及对应的操作，对RFBNet进行复现。

代码位置：https://github.com/ruinmessi/RFBNet

完成下载后，执行./make.sh时出现下面的错误：

 

根据网上一篇博客说是Cython模块没有安装的原因，但是安装后，仍然没有效果

看着错误一步步进行更改：

 

1、根据错误提示，（PyObject *（*）（PyObject *， PyObject * const *， Py_ssize_t））meth函数给的参数太多，根据需要删除一个参数，而看一下每个参数的概念以及对应的类型名称，最后决定应当删除NULL。

 

2、显示在PyThreadState中没有exc_type、exc_value、exc_traceback成员变量，通过查阅资料，以及看PyThreadState的源码了解到在版本1.5后，变量名称使用curexc_type、curexc_value以及curexc_traceback代替。所以这个错误只需要直接进行对应变量名的替换即可。

 

需要改的内容分别在utils/nms/cpu_nms.c、utils/nms/gpu_nms.c、utils/pycocotools/_mask.c，将这些文件进行上述修改即可。

 

此时执行完成./make.sh

在完成make.sh，配置好相关信息后，使用train_RFB.py文件进行训练，此时我是直接使用RFB_mobile版本的checkpoints，使用VOC数据集进行训练，同时设置size为300。

python train_RFB.py -d VOC -v RFB_mobile -s 300

-d：dataset的格式，VOC或COCO
-v：使用的RFBNet的版本，RFB_vgg、RFB_mobile、RFB_E_vgg
-s：图片的size

其中还有一些其他的参数，可以从train_RFB.py代码中详细查看，其中最主要的要设定网络的basenet

 

在此基础上，通过对应的github下载了mobilenet_feature.pth，当然下载vgg16的操作也是类似的，这些都只是一个预训练的模型。

 

在这个过程中，我也遇到了一些问题，因为当时的服务器上的0卡GPU已经被两个程序占用，剩余的内容非常小，而且RFBNet中的代码使用CUDA又是从服务器中的第一个GPU开始启动的，所以最后出现了

RumtimeError: CUDA Error, out of memory.

当时我很奇怪，明明还有其他的GPU卡没有被占用，为什么不能直接调用，最后发现是程序本身的问题，或者也可以说是CUDA配置的问题。默认的CUDA_VISIBLE_DEVICES是包含所有的GPU卡的，而且没有预先定义CUDA_VISIBLE_DEVICES在使用时也会出错；在网上看到的一个解决方法就是更改默认的可见GPU的序号，使用如下代码：

import os
os.environ[‘CUDA_VISIBLE_DEVICES’]=’2,3’

在程序设置过程中，CUDA_VISIBLE_DEVICES被视为一个字符串，需要用引号进行赋值，但是在设置过程中，一直出现大致是说CUDA_VISIBLE_DEVICES不存在的意思，最后查看了一下声明的变量里面确实没有这个，所以需要在命令行中执行一下命令：

export CUDA_VISIBLE_DEVICES=0,1,2,3,4

不管其他，我觉得系统的变量还是最好能将整个服务器所有的GPU的序号都包括进去是比较好的，在使用的时候可以在当前程序中直接指定修改使用哪个GPU会更好。

 

之后就可以按照自己的需要进行训练或者测试了

1）我在训练时，使用RFB_mobile，共进行了epoch=200多次，最后保存的pth在205次。这个训练代码可以每10次进行保存一次。

 2）然后使用最后的训练结果进行测试　

python test_RFB.py -d VOC -v RFB_mobile -s 300

当然在test_RFB.py文件中也需要对对应的checkpoints的路径进行更改。

 这里的mAP仅有70.2%，我觉得一方面是因为我只训练了200多个epoch，总共有1500个左右，训练不够充分，同时也有使用了RFB_mobile模型的缘故，如果直接使用RFB_vgg可能效果会更好。

最后，我认为对于复现代码，最好是能够自己独立解决报错的信息，在这个过程中可以发现以前编辑的代码与现在的不同之处，同时也能够锻炼一下自己解决问题的能力，而不是直接就上网开始搜对应的教程什么的。