ubuntu下alphapose 需要的配置小记

走了好多弯路啊~~~
1.alphapose

  1)Get the code.

git clone -b pytorch https://github.com/MVIG-SJTU/AlphaPose.git
  2)Install pytorch 源码安装(命令行安装见2)

chmod +x install.sh
./install.sh
 3)Download the models manually: duc_se.pth (Google Drive | Baidu pan), yolov3.weights(Google Drive | Baidu pan). Place them into ./models/sppe and ./models/yolo respectively.

2.PyTorch

是要0.4之后的版本的,最好是0.4.0版本，因为'no_grad'是后来才添加的。 module 'torch' has no attribute 'no_grad'

#查看版本
import torch
print(torch.__version__)
注意：这里可选择CPU版本还是GPU版本，GPU要安装CUDA，CUDNN。见pytorch各个版本安装指令

2.1可以直接用conda安装，建议用这种方法：

conda install pytorch torchvision cuda80 -c pytorch
执行命令后可以看到对应的版本说明。要把各个版本一致。

   cuda80:      1.0-h205658b_0                     pytorch                                                
    cudatoolkit: 8.0-3                              https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
    ninja:       1.8.2-py36h6bb024c_1               https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
    pytorch:     0.4.1-py36_cuda8.0.61_cudnn7.1.2_1 pytorch                                                 [cuda80]
    torchvision: 0.2.1-py36_1                       pytorch    

关于我的conda install -c pytorch cuda75 

 

2.2

https://conda.anaconda.org/pytorch/linux-64/pytorch-0.4.1-py36_cuda8.0.61_cudnn7.1.2_1.tar.bz2

git clone --recursive https://github.com/pytorch/pytorch 
cd pytorch
python setup.py build
sudo python setup.py install
2.3CPU版本如图

3.torchsample

``bash
$ pip install -e git+https://github.com/ncullen93/torchsample.git#egg=torchsample
```
Or install a tagged release
```bash
$ pip install https://github.com/ncullen93/torchsample/archive/v0.1.3.tar.gz
```
# 然后
$ pip install visdom
$ pip install nibabel
$ pip install h5py  # this will be removed in the formal version
 4.tqdm

  先下载：https://anaconda.org/conda-forge/tqdm
.whl文件是通过Python的pip命令进行安装的。 pip install **.whl

# pull and install in the current directory:
 
pip install -e git+https://github.com/tqdm/tqdm.git@master#egg=tqdm
 
# Latest Conda release
 
conda install -c conda-forge tqdm
 
5.pandas ,matplotlib   

pip install pandas,matplotlib
pip install numpy pyyaml mkl setuptools cmake gcc cff

pip install numpy pyyaml mkl mkl-include setuptools cmake cffi typing

pip install -c mingfeima mkldnn

6.opencv

6.1.dlopen: cannot load any more object with static TLS:看网上解决方法，尝试import torch，cv2是否成功。

故先安装opencv：

sudo -s   #我安装遇到权限问题，都是这样解决的，目前理解是，此指令到达用户root层。不知对不对
conda install -c menpo opencv3 （网上说这种方法会避免读取图片有问题等等）
6.2有种错误，也是opencv的原因：ImportError: No module named 'cv2'

pip install opencv-python
7.hdf5

sudo apt-get install libhdf5-serial-dev hdf5-tools
 
sudo apt-get install luarocks
 
luarocks install hdf5  #这句好像不能用
libreadline.so.6: undefined symbol: PC

8.此处几条条权当记录:ＧＰＵ控制

因为我不知道怎么才能控制要不要跑cuda版本，所以我看到就记在这里，看能不能得到答案

FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.

进入解压好的文件夹，执行cmake -D WITH_CUDA=OFF .

（darknet安装说明）Once you have CUDA installed, change the first line of the Makefile in the base directory to read:

GPU=1
现在您可以使项目和CUDA将被启用。默认情况下，它将在系统的第0张显卡上运行网络(如果正确安装CUDA，则可以使用nvida -smi列出显卡)。如果你想改变card Darknet的使用，你可以给它一个可选的命令行标志-i ，比如:

./darknet -i 1 imagenet test cfg/alexnet.cfg alexnet.weights
如果您使用CUDA进行编译，但是想要执行CPU计算，无论出于什么原因，您都可以使用-nogpu来代替CPU:

./darknet -nogpu imagenet test cfg/alexnet.cfg alexnet.weights
以下是安装步骤，如果更改，重新make一下。

git clone https://github.com/pjreddie/darknet.git
cd darknet
make
9.关于vs文档配置

ConfigurationName    配置名字，通常是Debug或者Release
IntDir    编译器使用的中间目录，产出obj文件
OutDir    链接器使用的输出目录
ProjectDir    项目目录
ProjectName    项目名字
SolutionDir    解决方案目录
TargetDir    目标输出文件所在的目录
TargetExt    目标输出的扩展名
TargetFileName    目标输出文件名，包括扩展名
TargetName    目标输出名，不包括扩展名
TargetPath    目标输出文件的全路径名
10.cuda

CUDA是要配置的，因为pytorch需要使用；

cudnn version 5
Tensorflow >= 1.2 AND < 1.3 (if you build tensorflow from source the cudnn version isn't as important. installing from pip it becomes VERY important)
Input and output directories for ./run.sh must be relative to the CWD. Absolute paths do not work!
11.说明

11.1路径：这里是相对路径才可以。eg：python3 demo.py --indir ${img_directory} --outdir examples/res

   实际操作为：python3 demo.py --indir examples/demo/ --outdir examples/results/ --vis              (可参见/doc/run.md的说明和例子)

12.opencv-python

Try re-install opencv-python with version >= 3.3.1.11 by

pip uninstall opencv_python
pip install opencv_python --user
Many people meet this problem at https://github.com/opencv/opencv/issues/8471. The solution I use is

sudo cp <path to opencv source repo>/home/helloworld/anaconda3/lib/python3.6/site-packages/cv2.cpython-36m-x86_64-linux-gnu.so /usr/local/lib/python3.5/dist-packages/cv2/cv2.cpython-35m-x86_64-linux-gnu.so
13.运行出现的非常麻烦的错误：

13.1Cannot initialize CUDA without ATen_cuda library........ because you are trying to use some CUDA functionality

解决办法：https://github.com/zdevito/ATen/issues/216

即：加入LD_LIBRARY_PATH路径。具体见https://blog.csdn.net/m0_37644085/article/details/81837410的7.8~7.9

14.关于pyhton

之前安装最新版的3.6的anaconda，但需要3.6的，以防后面补坑，现改为py3.5

conda create -n py35 python=3.5 anaconda
# To activate this environment, use:
# > source activate py35
# To deactivate an active environment, use:
# > source deactivate

error:python3.5/multiprocessing/semaphore_tracker.py:129: UserWarning: semaphore_tracker: There appear to be 3 leaked semaphores to clean up at shutdown

解决方法：我还没解决 这不是个错误～～

https://github.com/jhfjhfj1/autokeras/issues/118

I figured it out for myself. The docker container I was using was 2G memory. I increased it to 16G and restarted the docker image by adding --shm-size 16G when running docker run. It solved my problems.

15.论文阅读：

1.alphapose论文ＲＭＰＥ

人体关键点检测对于描述人体姿态，预测人体行为至关重要。因此人体关键点检测是诸多计算机视觉任务的基础。其在动作分类，异常行为检测，以及人机交互等领域有着很广阔的应用前景，是计算机视觉领域中一个既具有研究价值、同时又极具挑战性的热门课题。针对这一问题，上海交大MVIG组提出RMPE的两步法框架（ICCV 2017论文RMPE），并基于此开发了AlphaPose这一人体关键点检测系统。

RMPE（regional multi-person pose estimation）框架采用自顶向下的方法，先检测人，再去做姿态估计。该框架有三个主要组成部分，首先是对称空间变换网络STN（Symmetric Spatial Transformer Network），用于解决传统两步法中的主要问题，即imperfect proposal的问题。对于质量较差的人体检测结果，symmetric STN能够自动调整proposal的位置，将refine过后的结果输入单人姿态估计网络，并将输出映射回原空间，从而使得在人体检测框不准确的情况下，姿态估计网络依然能够有良好的效果。【论文笔记】Spatial Transformer Networks 【论文笔记】Spatial Transformer Networks

第二个组成部件为由姿态引导的样本生成器PGPG（Pose-guided Proposals Generator），该部件能够根据不同人体姿态生成额外的detection proposal用于训练姿态估计网络，从而获得大量符合真实测试场景数据分布的训练数据。

第三个组成部件为参数化的姿态非极大值抑制器PNMS（Parametric Pose NMS）。传统的两步法中，人体定位框会有较多的冗余检测。作者通过使用新的姿态距离度量来比较姿态相似性，来消除冗余姿态。
--------------------- 
作者：业精于勤荒于嬉-行成于思而毁于随 
来源：CSDN 
原文：https://blog.csdn.net/m0_37644085/article/details/82014704 
版权声明：本文为博主原创文章，转载请附上博文链接！