【密集人群检测】Detection in Crowded Scenes: One Proposal, Multiple Predictions例程实现

1.简介

旷世研究院在CVPR2020上发表的论文《Detection in Crowded Scenes: One Proposal, Multiple Predictions》，提出了一种非常简单而有效的基于提议的对象检测器，它是专门为拥挤实例检测而设计的。

其源论文及开源代码参考实现。代码分为Pytorch版本和旷世天元（megengine）版本，此处仅介绍Pytorch版本（github上star数量高自有其道理，别问我是怎么知道的）。下面就介绍如何在自己电脑上跑通该算法。

2.环境搭建

Github上已明确了需要的环境依赖：

1. Requirements:
   * python 3.6.8, pytorch 1.5.0, torchvision 0.6.0, cuda 10.1

很简单，但实际配置还是有些坑。一一踩完后（T_T）将步骤总结如下（首先确保电脑支持cuda！）：

## 1.建立Anaconda环境
* 用anaconda装，不把本机python环境搞坏了
* 从anaconda历史版本库https://repo.anaconda.com/archive/
* 下载Anaconda3-5.2.0-Linux-x86_64.sh
* ./Anaconda3-5.2.0-Linux-x86_64.sh安装

## 2.更改源
* 修改成清华镜像源，加快后续依赖项的下载速度，参考下方网址:  https://mirror.tuna.tsinghua.edu.cn/help/anaconda/
* 修改下载的timeout，避免网络时好时坏的情况下容易下载失败
	conda config --set remote_read_timeout_secs 600.0

## 3.创建detect环境
	cd CrowdDet
	source ~/anaconda3/bin/activate  进入anaconda环境，命令行左侧显示（base）
	conda create -n detect python==3.6.8　创建detect环境
	conda activate detect　　　命令行左侧显示（detect）

### tips:
	conda env list  --显示已安装的conda环境
	conda remove *  --移除某环境
	source activate detect　--从新终端直接进入detect环境

## 4.安装依赖
	conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.1 -c pytorch
	conda install --channel https://conda.anaconda.org/menpo opencv

### tips:
	conda clean --packages --tarballs  --删除缓存包重新下载
	找个网好的地方下载

这样就将环境配置好了，下一步就是跑通给的例程。

3.运行例程

首先下载项目到本地：

git clone https://github.com/Purkialo/CrowdDet.git

虽然github上的例程步骤是：（１）trainging，（２）testing，（３）inference。但对于急于验证算法效果的童鞋来说最希望的还是直接进行inference（至少我是）,毕竟已经提供了训练好的网络权重:

下面就来介绍如何直接进行inference：

（１）先把权重文件下载到本地（由于是存放在Google driver，因此需要连接vpn才能下载…）。可以只下载其中的部分权重，比如我就只下了效果最好——即AP/JI越大效果越好，MR越小越好，具体含义参见论文的 rcnn_emd_refine_mge.pth（已上传到csdn，点击即可下载）和相对较差的rcnn_fpn_baseline.pth进行比较。

（２）权重下载完毕后，根据CrowdDet/tools/inference.py文件的内容，建立相关文件路径：

cd CrowdDet/model/rcnn_emd_refine/
mkdir outputs && cd outputs
mkdir model_dump

将rcnn_emd_refine_mge.pth放置到model_dump文件夹下，并重命名为dump-40.pth。

（３）准备一张测试图片，比如我将图片7.jpg如下放在和inference.py同一文件夹下

接着运行

##进入CrowdDet/tools/文件夹下开启新终端
source activate detect　#进入conda环境（终端左侧显示detect）
python inference.py -md rcnn_emd_refine -r 40 -i 7.jpg

稍等运行片刻，没有报错的话（应该没有）就成功了，此时在文件夹下生成了一个outputs/文件夹，进入后发现有一张图片也叫7.jpg，啪的一下点开，喔！原来是检测结果：

类似的，也可以对另一个效果较差的权重文件rcnn_fpn_baseline.pth进行验证，得到的结果如下：

我们可以找一下有什么区别。不难看出，对于有遮挡的密集人群场景，对应论文提出的最优方法的权重文件rcnn_emd_refine_mge.pth检测效果确实要好不少。

至此就把算法的inference例程跑通了，舒服～

总结

配置环境虽然会问题很多，但也能逐渐理解各个部分是如何相关联。另外一点就是未必要完全按照官方给定的指南（README.md）按部就班，可以根据自己的需求进行调整进度。希望大家也有所收获！