DN-DETR调试记录

先前的DN-DETR模型都是在服务器上运行的，后来在本地运行时出现了一些小问题，这篇博文则主要介绍DN-DETR模型在本地运行时所需要做的配置。

运行环境

首先DN-DETR的运行环境与DINO一致，这里就不再赘述了。
博主使用的本地配置是I7-13700H+4060(8G)

调试过程

在github上下载源码后，在idea中打开，事实上我们应该安装readme的过程来进行调试，但由于博主先前已经都调试过了，这里就默认环境已经都配置好了。
我们直接运行main.py即可，这里需要设定几个参数：
首先是确定我们要运行哪个模型，DN-DETR是在DETR基础上设计的，其融合了前人的研究成果，在DAB-DETR，Deformable-DETR等模型基础上进行改进，这里这个modelname则是告诉我们选择哪个。

parser.add_argument('--modelname', '-m', type=str, default="dn_dab_detr", choices=['dn_dab_detr', 'dn_dab_deformable_detr',                                                              'dn_dab_deformable_detr_deformable_encoder_only', 'dn_dab_dino_deformable_detr'])

随后是数据集地址，这里博主使用的是先前自己构造的KITTI数据集

 parser.add_argument('--coco_path', default="D:\graduate\datasets\detection\kitti/",type=str, )

随后是num_classes参数的设定，在对应的model的文件中，如这里博主选择的是DN-DAB-DETR，那么我们就去对应的模型文件中找即可。
这里全部改为对应的类别数+1即可，博主的数据集中有3个类别，再加一个背景类则为4个，如下图所示：

此时可以运行试一下，发现报页面空间不足的问题，这时只需要修改num_workers值即可，博主改为4。

随后运行再次报错：

targets, scalar, label_noise_scale, box_noise_scale, num_patterns = dn_args
TypeError: cannot unpack non-iterable NoneType object

这个报错似乎是迭代对象为空，事实上是因为main.py文件中的use_dn参数的设定导致的，我们将其设置为True即可

 parser.add_argument('--use_dn', default="True",
                        help="use denoising training.")

再次运行就OK了。
博主的batch-size为2，此时模型的显存占用情况如下：

此外，DN-DAB-DETR在开始训练时的值是很低的，接近0，所以不要以为是错误，让子弹飞一会。

更新

哈哈哈，没想到中午刚说完，下午就被啪啪打脸，中午在运行了DN-DAB-DETR后，起初认为开始的mAP值很低，等训练一会就就可以接近了，但没想到下午到那一看，已经运行到第9个epoch了，但mAP值却依旧是0，这属实让博主有些无语。
先前也曾经遇到过这种情况，但那是在刚刚开始时，当时是由于数据集制作时将类别弄错导致的，而此时这个数据集已经在DINO，MMDetection框架的Faster-RCNN等模型中使用过，结果都符合预期，而在DN-DAB-DETR模型上却碰壁了，由于博主曾经在其他数据集上跑过DN-DAB-DETR，因此可以确信这个模型是没有问题的，数据集也没有问题，好好好，这还有什么好说的呢？家人们谁懂啊就无语。。。。

仔细分析以下模型的日志文件，发现其在训练时的loss是正常下降的，也就是说模型事实上是在不断拟合的，所以模型大概率不会有问题，难道是数据集出差错了？可数据集也已经经过其他模型实验过了呀。

只好切换了DN-DETR的其他模型，使用DN-DAB-Deformable-DETR试一下，第一个epoch的结果，发现是正常的。搞什么呀，难道DN-DAB-DETR的模型就这死样？我印象中可不是这样的呀。

没法子，既然DN-DAB-Deformable-DETR可以的话，这就说明数据集确实没有问题了，那么大概就是DN-DAB-DETR的问题了

此时batch-size只能设置为1，此时的显存占用情况如下：

值得一提的是先前博主设置了共享内存来防止显存溢出，此时在任务管理器中可以看到共享GPU内存占用达到了3G，但此时速度并没有受到太大影响，看来先前博主所提到的速度问题似乎是与模型有关。