yolov3-pytorch复现

1.先前准备

• 安装cuda、cudnn，参考这个
  深度学习装机详细教程-ubuntu16.04下安装cuda9.0+nvidia-384+cudnn7.1.4+tensorflow1.9
  检测cudnn是否安装成功
• 安装Anaconda
  Anaconda下载地址
  安装Anaconda

2.复现yolov3

\quad\quad 使用的是pytorch版本的yolov3，代码仓库在这里：yolov3-pytorch ，先git clone到本地

1. 首先利用Anaconda新建一个虚拟环境，并激活

   conda create --name yolov3-pytorch-100 python=3.6
   conda activate yolov3-pytorch-100
   

   \quad 对了这里Ananconda最好换一下源，直接使用自带的新建环境都很慢，换成了清华的感觉也不是很快，后来换成了中科大的速度就很快，具体做法就是，在home目录下，Ctrl+h，会看到隐藏文件.condarc，打开把里面的东西都删了，然后复制下面的中科大源进去，直接保存关闭就好。

   channels:
      - https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
      - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
      - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
      - https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
      - https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
      - defaults
   show_channel_urls: true
   

2. 安装模块
   readme里面是这样说的：

   sudo pip3 install -r requirements.txt
   

   看一下requirements.txt这个txt文件

   numpy
   torch>=1.0
   torchvision
   matplotlib
   tensorflow
   tensorboard
   terminaltables
   pillow
   tqdm
   

   其实就是安装这些模块，我是使用命令行直接在终端里面安装的，然后使用清华的源，超级快

   #安装torch
   conda install pytorch==1.0.0 torchvision==0.2.1 cuda90 -c pytorch
   
   #更新pip
   python -m pip install -U pip -i https://pypi.tuna.tsinghua.edu.cn/simple
   
   #安装依赖包
   pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple 
   pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple 
   pip install terminaltables -i https://pypi.tuna.tsinghua.edu.cn/simple 
   pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple
   pip install tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 下载权重

   $ cd weights/
   $ bash download_weights.sh
   

   打开这个文件看了一下，有三组权重

   #!/bin/bash
   # Download weights for vanilla YOLOv3
   wget -c https://pjreddie.com/media/files/yolov3.weights
   # # Download weights for tiny YOLOv3
   wget -c https://pjreddie.com/media/files/yolov3-tiny.weights
   # Download weights for backbone network
   wget -c https://pjreddie.com/media/files/darknet53.conv.74
   

   其实可以手动下载，只下载第一个就好，emmm需要科学下载，之后会上传这些文件

4. 下载数据

   $ cd data/
   $ bash get_coco_dataset.sh
   

   打开这个文件看了一下

   #!/bin/bash
   
   # CREDIT: https://github.com/pjreddie/darknet/tree/master/scripts/get_coco_dataset.sh
   
   # Clone COCO API
   git clone https://github.com/pdollar/coco
   cd coco
   
   mkdir images
   cd images
   
   # Download Images
   wget -c https://pjreddie.com/media/files/train2014.zip
   wget -c https://pjreddie.com/media/files/val2014.zip
   
   # Unzip
   unzip -q train2014.zip
   unzip -q val2014.zip
   
   cd ..
   
   # Download COCO Metadata
   wget -c https://pjreddie.com/media/files/instances_train-val2014.zip
   wget -c https://pjreddie.com/media/files/coco/5k.part
   wget -c https://pjreddie.com/media/files/coco/trainvalno5k.part
   wget -c https://pjreddie.com/media/files/coco/labels.tgz
   tar xzf labels.tgz
   unzip -q instances_train-val2014.zip
   
   # Set Up Image Lists
   paste <(awk "{print \"$PWD\"}" <5k.part) 5k.part | tr -d '\t' > 5k.txt
   paste <(awk "{print \"$PWD\"}" <trainvalno5k.part) trainvalno5k.part | tr -d '\t' > trainvalno5k.txt
   
   

   其实也是主要下载这几个就行，也是科学下载

   # Download Images
   https://pjreddie.com/media/files/train2014.zip
   https://pjreddie.com/media/files/val2014.zip
   # Download COCO Metadata
   https://pjreddie.com/media/files/instances_train-val2014.zip
   https://pjreddie.com/media/files/coco/5k.part
   https://pjreddie.com/media/files/coco/trainvalno5k.part
   https://pjreddie.com/media/files/coco/labels.tgz
   

5. 跑一下demo

    python3 detect.py --image_folder data/samples/
   

   结果：在/PyTorch-YOLOv3-master/output 这个文件夹下有输出的结果：

   

6. 待填坑
   \quad 这是简单跑了个demo，至于具体训练，目前电脑不太行，以后可以了再补上，还有代码分析也后再填坑。