complex-YOLOv4（三）：测试和评估作者训练好的模型以及训练模型

前言：YOLOv4这篇github其实跟YOLOv3那个差不多，但是用的pytorch1.5.0，版本更友好了，基本上执行代码就可以了，不需要很多调试。
github：https://github.com/maudzung/Complex-YOLOv4-Pytorch

一、数据集准备

这里数据集结构跟之前的结构不太一样。需要把数据集整理成如下结构：
跟上一篇博客强调的还是一样，不要自行裁剪点云数据，也不要整理划分valid和train数据集

*这里说一个问题，就是KITTI数据集是很大的，如果在pycharm里面看代码的话，就是暂时不要把data放到项目下，不然pycharm进行index工作量太大，总是出现卡死现象。等到看懂代码，再把data文件夹移动回来。
或者把index暂停下也可以（pycharm右下角）

二、运行环境准备

由于在complex-yolov3上调试耗费了很长时间，我认识到环境复原的重大意义（狗头）。
所以我尽可能配置与原作者编写代码时相同的环境。

python3.6
cuda10.2

由于服务器本身就装有cuda11.4，学习了解了多版本cuda并存
值得注意的是ubuntu20.04下载cuda10.2时，需要进行gcc和g++降级。管理多版本gcc也非常有用
然后pip install -r requirements.txt安装相应的依赖包就可以啦。

三、数据集可视化

cd src/data_process
python kitti_dataloader.py --output-width 608

四、训练模型

下载预训练参数，放在网盘里了

链接：https://pan.baidu.com/s/1__b6UxpkoXOZ727bifQefA 提取码：uxx4
下载好放到文件夹下，自己新建文件夹噢，直接下载好的代码没有这个文件夹！

服务器有两个GPU，采用多GPU训练。

python train.py --dist-url 'tcp://127.0.0.1:29500' --dist-backend 'nccl' --multiprocessing-distributed --world-size 1 --rank 0 --pretrained_path ../checkpoints/complex_yolov4/complex_yolov4/complex_yolov4_mse_loss.pth

这里的train以及后面的test如果报错：

将报错行改下：加map_location这里的参数

model.load _state _dict(torch.load(configs,pretrained_path,map_location= 'cpu' if configs.no_cuda else 'cuda:{}' .format(configs.gpu_idx)

如果想要中断训练时，记得使用ctrl+c。而不是ctrl+z。如果使用ctrl+z，后续再训练会出现端口占用问题。但是也可以解决

五、浅测下mAP

1)test

python test.py --gpu_idx 0 --pretrained_path ../checkpoints/complex_yolov4/complex_yolov4_mse_loss.pth --cfgfile ./config/cfg/complex_yolov4.cfg --show_image

测试自己训练网络参数，换下pretrained_path就好

2）mAP

python evaluate.py --gpu_idx 0 --pretrained_path <PATH>