目标跟踪之Pysot系列代码训练（SiamRPN\SiamRPN++）

代码地址：https://github.com/STVIR/pysot
环境配置参考博客：Siam系列跟踪算法工具包PySOT配置

一、数据集准备

Pysot系列跟踪器训练的时候，首先将数据集进行裁剪，一共是四个数据集：VID, YOUTUBEBB, DET, COCO。

1.1 VID数据集

VID数据集是Object detection from video的简称，主要是ILSVRC2015的VID子集
建立软链接

ln -sfb /data3/publicData/Datasets/ILSVRC2015/Annotations/VID/train/ILSVRC2015_VID_train_0000/* ILSVRC2015_VID/Annotations/VID/train/a
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Annotations/VID/train/ILSVRC2015_VID_train_0001/* ILSVRC2015_VID/Annotations/VID/train/b
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Annotations/VID/train/ILSVRC2015_VID_train_0002/* ILSVRC2015_VID/Annotations/VID/train/c
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Annotations/VID/train/ILSVRC2015_VID_train_0003/* ILSVRC2015_VID/Annotations/VID/train/d
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Annotations/VID/val/* ILSVRC2015_VID/Annotations/VID/train/e

ln -sfb /data3/publicData/Datasets/ILSVRC2015/Data/VID/train/ILSVRC2015_VID_train_0000/* ILSVRC2015_VID/Data/VID/train/a
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Data/VID/train/ILSVRC2015_VID_train_0001/* ILSVRC2015_VID/Data/VID/train/b
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Data/VID/train/ILSVRC2015_VID_train_0002/* ILSVRC2015_VID/Data/VID/train/c
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Data/VID/train/ILSVRC2015_VID_train_0003/* ILSVRC2015_VID/Data/VID/train/d
ln -sfb /data3/publicData/Datasets/ILSVRC2015/Data/VID/val/* ILSVRC2015_VID/Data/VID/train/e

进入到"./pysot-master/training_dataset/vid/"目录，

1. 运行python parse_vid.py，将每张图片的groundtruth读取，并保存。
   （也可以不软连接，直接修改一下sub_sets = sorted({'a', 'b', 'c', 'd', 'e'})和VID_base_path）
   运行完成如下，会生成vid.json文件：
   

2. 运行python par_crop.py 511 12，将图片裁剪为511*511大小，12是线程数。
   运行成功后，会在vid文件夹底下生成crop511文件夹，里面是裁剪后用于训练的样本图片。
   

3. 运行python gen_json.py，生成train.json和val.json
   

1.2 COCO数据集

进入到"./pysot-master/training_dataset/coco/"目录（下载的COCO数据集train2017，val2017，annotations_trainval2017都放在对应目录底下，或者使用软连接放在此目录底下），执行如下指令

cd pycocotools && make && cd ..
python par_crop.py 511 12
python gen_json.py

1.3 DET&YT_BB数据集

DET数据集是ILSVRC2015数据集的DET，处理方式和COCO一样，而YT_BB是从YouTube上面整理的数据集（DaSiamRPN里面提到的训练方式），考虑到该数据集体量庞大，处理时间相当长，所以这两个数据集就没用于训练了。

1.4 pretrained_model下载

从作者提供的谷歌网盘地址下载预训练模型并修改pysot/core/config.py：https://gitcode.net/mirrors/stvir/pysot/-/blob/master/TRAIN.md

二、多GPU训练

进入到目录：pysot/core，打开config.py，修改用于训练的数据集（138行）

cd experiments/siamrpn_r50_l234_dwxcorr
CUDA_VISIBLE_DEVICES=0,1
python -m torch.distributed.launch \
    --nproc_per_node=2 \
    --master_port=2333 \
    ../../tools/train.py --cfg config.yaml

此处用的是GPU0和GPU1两块显示，所以CUDA_VISIBLE_DEVICES=0，1，--nproc_per_node=2可以根据自己的条件修改。

模型保存在snapshot文件夹底下，如下：

三、训练断点重续

训练过程中不可避免会出现意外，而且训练时间很久，如果重新运行算法，训练会默认重新训练（从epoch1开始），不会断点重续，但其实Pysot代码是有这个功能的，我也是好多次之后才发现。。。
打开tools/train.py文件修改第三百行，指定cfg.TRAIN.RESUME的路径，即可加载之前一半的模型。