【目标跟踪】pysot调试运行记录 [linux系统]

pysot是商汤科技开源的目标跟踪的系统，项目链接请点击，内容非常丰富，包含了多种孪生网路的跟踪框架。

具体的项目请在官网下载源代码进行查看，这里主要是针对Liunx(Centos7)系统的部署其正常运行的经验。

1 linux 调试经验

这里主要是针对官网的Install部分进行总结。
其实该文件内，将所需的配置已经给的很明白了，但是在具体操作的时候，特别对于小白来说，可能并不是很明白,这里我根据自己的调试经验来一步步进行总结。下图是该项目所需的一些配置。

1.1 创建虚拟环境

conda create --name pysot python=3.7
这里是创建一个名字为pysot的Anaconda虚拟环境，该环境下Python版本为3.7，这里注意，python版本为3.7并不意味着Anaconda的内置python版本一定要是3.7版本的，他只是Anaconda创建的一个虚拟环境，一般来讲，Anaconda可以独立于系统原有的Python版本而创建任意版本的Python解释器，即可以直接创建python=3.7的虚拟环境。一般不会出错。
上个命令执行完，可以命令行输入 conda env list 进行查看刚才配置的虚拟环境

1.2 激活创建的虚拟环境

conda activate pysot
该命令用来激活刚才创建的pysot的环境，注意这个环境是在Anaconda所在文件夹下的envs目录下：/home/yourhost/anaconda/envs，可以进入该目录看到该虚拟环境下的目录，目前此虚拟环境为一个空的虚拟环境，和你之前的Anaconda环境下配置的包和库没有任何关系，有些包和库是你需要再次安装的：

1.3 安装numpy/pytorch/opencv

1 conda install numpy
2 conda install pytorch=0.4.1 torchvision cuda90 -c pytorch
3 pip install opencv-python
官网上是这三句话，注意这些话都是在以上的虚拟环境 pysot下进行安装的。
第一句话，明显是安装numpy 这个就没什么说的了，无非是平时可能很多时候用pip这里用的conda，其实是一样的，你也可以用pip，不过用conda这个命令可以获得更稳定的包
第二个命令，其实是这三句话里的精髓，这里需要你验证的东西比较多，这句话是要安装 pytorch 和 torchvision 当然后面的 cuda90 是指的你的电脑上的 CUDA驱动的版本，这个驱动其实很有讲究，因为CUDA驱动即CUDA运行时驱动版本要和对应的显卡驱动即CUDA driver version匹配才行，一般来讲，需要Driver Version > Runtime Version，不然会有CUDA driver version is insufficient for CUDA runtime version这个是在TensorFlow-GPU版中经常出现的问题，应该在torch中也会有类似的异常。那我们怎么检测呢？
1）进入这个链接找到以下的内容，我已经把CUDA driver version和Runtime Version标注了，这个需要我们匹配才能正常使用CUDA进行深度学习的实验。

2）怎么查看CUDA Driver Version，这个需要用到命令操作：
2.1 最简单的使用：nvidia-smi (前提是你的电脑或者实验集群有Nvidia GPU)，出现下图，箭头处就是：

2.2 或者使用 cat /proc/driver/nvidia/version 来查看

3） 得到自己的CUDA Driver Version之后就可以根据 第一步进行选择CUDA Runtime Version了【这里注意，CUDA的具体安装就不详细介绍了，一般来说如果是学生党使用的学校的集群，需要root权限，如果没有root权限这个就先放弃吧，就算有权限，你也要小心点，哪里装的不对，影响了整个环境，那估计就是自找麻烦了，最稳妥的是向导师或者集权管理员申请安装配置相应的环境。当然如果自己的电脑就随意操作啦】
4）这里还有个小点，因为官方文档需要的是安装 torch0.4.1，所以在安装之前最好看看pytorch官网上torch和CUDA版本的对应情况点击查看，根据下图我们可以看出，0.4.1的torch支持的CUDA最高位 9 所以你也不能装太高的 CUDA Runtime Version，尽量为 9.0或者 9.2就行了

第三个命令为安装 opencv-python，这个直接运行一般也没错误。

1.4 安装其他所需包

pip install pyyaml yacs tqdm colorama matplotlib cython tensorboardX
这个一般来说也不会出错，除非有时候网络有异常，如果网络错误，多试几次就行了。

1.5 编译过程

下载源代码源码链接

下载下来就是个文件夹，由于我使用的是远程集群，所以，在windows上下载完文件后，更改一些程序，然后上传到集群，当然你也可以通过git在Linux下直接进行下载。下载后，目录为：

运行命令： python setup.py build_ext --inplace 进行编译，如果出现问题，大多数情况下是GCC编译器问题，可以借鉴我的一篇博文链接进行安装配置。
一般来讲只要你的GCC没问题，编译就不会有问题的，编译后会发现多了一个 build文件夹：

【注】在官方文档上有个
bash install.sh /path/to/your/conda pysot
这个命令是个脚本，我们可以打开install.sh看到里面的内容就是我们以上的步骤，/path/to/your/conda pysot 是箭头部分的参数，即我们的Anaconda目录和名字

1.6 以上就是Linux下的所有的配置过程了，工程配置结束，我们需要测试demo看看是否配置可用。

这里主要分为三步就行了

1 命令行直接键入 export PYTHONPATH=/path/to/pysot:$PYTHONPATH，将pysot文件夹加入到 python搜索路径，可以通过以下命令测试,看到有pysot的文件夹就说明引入成功了
import sys
print(sys.path)

2 点击源码主页链接的PySot Model Zoo，到达以下页面，我们直接用百度云进行下载模型就行，注意模型文件中的config.yaml是比较旧的，尽量使用代码中对应模型的config.yaml文件：


3 将下载后的model.path放在 experiments下面对应模型的文件夹下，然后运行测试Demo:

python tools/demo.py \
    --config experiments/siamrpn_r50_l234_dwxcorr/config.yaml \
    --snapshot experiments/siamrpn_r50_l234_dwxcorr/model.pth
    # --video demo/bag.avi # (in case you don't have webcam)

如果成功了，就是有一个窗口，先自行标注个跟踪框后，模型自动会随着视频移动而跟踪对象。

1.7 接下来就是下载数据集进行训练，官网提供了如下的数据集，数据集直接在其对应的数据集文件夹内处理 下载就行：

数据集处理好后，就可以进行训练了，当你是单节点，单GPU时，可以用以下的命令进行操作：

1 CUDA_VISIBLE_DEVICES=0 # change your cuda visible devices here
这句话主要是声明可见的CUDA，0为单个GPU时的默认值
2 python -m torch.distributed.launch --nproc_per_node=1 --master_port=2333 …/…/tools/train.py --cfg config.yaml
注意这个目录是在 experiments/siamrpn_r50_l234_dwxcorr 这个文件夹下进行执行的。

【以上就是Pysot代码在Linux的配置和训练过程，关于其他细节可以具体看官网！！Windows系统配置细节，下篇博文会有介绍】