快速部署DBNet教程

OAK_AI

已于 2025-04-21 13:33:21 修改

阅读量1.2k

点赞数 21

文章标签： python 目标检测

于 2024-10-21 15:33:05 首次发布

本文链接：https://blog.csdn.net/An_oak/article/details/143112578

版权

本教程不讲DBNet原理，只讲如何部署，在Linux系统中，并实现训练icdar2015数据集

我使用的ssh工具是final shell，其实教程Readme里都有，但是初学者不一定会用，我教大家一个好用的顺序。当然我也是按照GitHub上的方式，只是优化了一下顺序。

第一步点开链接

GitHub - MhLiao/DB: A PyTorch implementation of "Real-time Scene Text Detection with Differentiable Binarization".

DBNet有作者的第一个版本，和之后重构的，我这个是重构的版本

第二步创建文件夹，在ssh命令行里输入

需要注意的是，torch的版本可以比cuda小，但是如果是编译的化，必须版本一致，不然上面倒数两行内容是编译不通过的，我这里安装的是cu113，我的cuda版本也应该是11.3才行

git clone https://github.com/MhLiao/DB.git
cd 到你DBNet到文件夹下

conda create --name DB -y python=3.8
conda activate DB
conda install ipython pip
pip install torch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 -f https://mirrors.aliyun.com/pytorch-wheels/cu113
pip install -r requirement.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

echo $CUDA_HOME
cd assets/ops/dcn/
python setup.py build_ext --inplace

跟DBNet作者不同的是，这里先安装torch和cuda，后安装requirement里的库

三、数据集准备

icdar2015，进入链接，注册之后下载红框里的内容

Downloads - Incidental Scene Text - Robust Reading Competition

在DBNet的根目录下新建一个名为datases的文件夹，之后在里面创建一个名为icdar2015的文件夹，之后访问

https://drive.google.com/drive/folders/12ozVTiBIqK8rUFWLUrlquNfoQxL2kAl7

这是作者提供的谷歌网盘链接，如果访问不了，就访问百度网盘请输入提取码

提取码：0drc

下载icdar2015.zip，之后解压的内容是

把内容放到刚刚创建的icdar2015的文件中，在把在数据集官网下载的训练图片和测试图片的文件夹改名成train_images和test_images放到icdar2015文件夹中，最后是这样的。（DBNet提供训练集的标签文件和官网有点不同，一个命名是xx.txt,一个是xx.jpg.txt，这不重要，按我说的做就行）

四、训练与评估

训练：

CUDA_VISIBLE_DEVICES=0,1 python train.py experiments/seg_detector/ic15_resnet18_deform_thre.yaml --num_gpus 2
举例，我有两种卡，那UDA_VISIBLE_DEVICES就是0，1，末尾使用的--num_gpus 就是2，如果你有四张，那前面是0,1,2,3,后面是 4

评估：

CUDA_VISIBLE_DEVICES=0 python eval.py experiments/seg_detector/ic15_resnet18_deform_thre.yaml --resume outputs/workspace/DB/SegDetectorModel-seg_detector/deformable_resnet18/L1BalanceCELoss/model/final --box_thresh 0.55

五、可能的错误

1:

echo $CUDA_HOME没有输出内容的话，可能是你的cuda没安装好，随便找个地方创建一个test.py文件，里面写

import torch

print(torch.__version__)

之后在命令行执行

python test.py

可以看到torch是否安装成功

2:

OSError: CUDA_HOME environment variable is not set. Please set it to your CUDA install root.

表示在环境变量里没有设置好，去home/你的用户的用户们下，找到.bashrc 文件，如果你会vim或者nano可以执行nano ~/.bashrc，之后把

export CUDA_HOME=/usr/local/cuda

添加到最后一行，不过要先确认你的cuda文件夹是否叫这个名，我的改成了cuda-11.3，自己去usr/local中确认一下

3:

‘AT_CHECK’ was not declared in this scope; did you mean ‘DCHECK’

参考下面的链接

错误：‘AT_CHECK’ was not declared in this scope； did you mean ‘DCHECK’?-CSDN博客

4:

AttributeError: module ‘numpy’ has no attribute ‘int’.
np.int was a deprecated alias for the builtin int. To avoid this error in existing code, use int by itself. Doing this will not modify any behavior and is safe.

简单来说，就是numpy的1.20以上的版本没有np.int了，换成了int，但是如果降级，牵一发而动全身，所有找到源码，不过要先备份哦，以防万一。

DB/structure/representers/seg_detector_representer.py的195行开始，把四个np.int改成int，