trdimp代码配置（pytracking，ubuntu18.04 + cuda11.3）

trdimp代码在这里：594422814/TransformerTrack (github.com)

由于其使用了trdimp框架，所以需要先配置pytracking框架，给出简要配置方案

另附上pytracking的   github链接，里面其实有比较详细的安装教程了，网上也有一些配置教程

GitHub - visionml/pytracking: Visual tracking library based on PyTorch.

1. Create and activate a conda environment

conda create --name pytracking python=3.7
conda activate pytracking

2. Install PyTorch（30系卡不支持cuda10，所以用cuda11，可以用cuda10尽量和作者保持一致）

（注意，使用pip安装下面有几率会遇到坑，建议使用conda安装）

cuda11.2和11.1在编译roipooling时有compute_86问题，实测11.3可以用

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

3. 安装一大堆包

conda install matplotlib pandas tqdm
pip install opencv-python visdom tb-nightly scikit-image tikzplotlib gdown

Install the coco and lvis toolkits

conda install cython
pip install pycocotools
pip install lvis

Install ninja-build for Precise ROI pooling

To compile the Precise ROI pooling module (https://github.com/vacancy/PreciseRoIPooling), you may additionally have to install ninja-build.（这个external的编译对cuda11极其不友好，实测cuda11.和cuda11.1无法编译，11.3可以）

sudo apt-get install ninja-build

pip install spatial-correlation-sampler

sudo apt-get install libturbojpeg
pip install jpeg4py 

4.补全链接库

直接使用git的命令会缺失一些文件

git submodule update --init

如果报错，就需要挂梯子，或者手动下载，再加入目录里面

主要是这里的文件

 有问题找 https://github.com/ClementPinard/Pytorch-Correlation-extension

正常编译后，运行eval和train都会出现

5. 配置环境，下载数据集并放到对应位置

预训练模型 github下载链接：https://github.com/594422814/TransformerTrack/releases/download/model/trdimp_net.pth.tar

考虑到梯子问题，建议自己下好，放到对应目录即可（对应位置同样可以查看local.py文件）

trdimp的源码自带两个local文件，不需要pytracking教程的生成过程

在生成的local文件编辑数据集路径和模型路径，这点还是挺人性化的（train和eval的数据集路径不同）

6. 运行测试代码

先开第一个终端，运行  python -m visdom.server

（如果是服务器需要转到本机可视化，可以使用xshell的隧道）

 另开一个终端，同样的conda环境

python pytracking/run_tracker.py trdimp trdimp --dataset_name vot --sequence blanket --debug 1 --threads 0

python pytracking/run_tracker.py --tracker_name trdimp --tracker_param trdimp --dataset_name vot --sequence blanket

会有错误和warnings，解决方案我放在文末，warning影响不大可以不管，也是版本问题hhh

 可视化结果：

7.模型训练及效果复现

训练时长和作者在github回复相符（作者讲4张1080ti训练50个epoch，30小时，我使用两张3060跑一个epoch大约65分钟，跑50个就得两天多了）batch还可以大一点，两天左右一次迭代算勉强可以接受吧

打游戏3060不如1080ti，不过拿来跑训练似乎还行

另外感慨下跑tracking也蛮吃cpu的，xeon4114虽然20核但2.5的主频实在是有点拉胯了，跑测试的时候cpu瓶颈很明显，原作者的测试帧数github上很多人也达不到，猜测作者应该是用了个比较猛的cpu

出现的错误及解决方案：

1. 

raise Exception('Could not read file {}'.format(path))
Exception: Could not read file /data3/publicData/Datasets/OTB/OTB2015/BlurCar1/groundtruth_rect.txt

错误原因：

groundtruth_rect.txt格式与读取格式不对应

解决办法：

打开pytracking/utils/load_text.py更改函数：

def load_text_numpy(path, delimiter, dtype)
为如下：

def load_text_numpy(path, delimiter, dtype):
    if isinstance(delimiter, (tuple, list)):
        for d in delimiter:
            try:
                # ground_truth_rect = np.loadtxt(path, delimiter=d, dtype=dtype)
                
                # to deal with different delimeters
                import io
                with open(path,'r') as f:
                    ground_truth_rect=np.loadtxt(io.StringIO(f.read().replace(',',' ')))
                
                return ground_truth_rect
            except:
                pass
 
        raise Exception('Could not read file {}'.format(path))
    else:
        ground_truth_rect = np.loadtxt(path, delimiter=delimiter, dtype=dtype)
        return ground_truth_rect

2. 警告 floor_divide

module 'torch' has no attribute 'floor_divide'

3.使用otb数据集报错

Exception: Could not read file /home/tracking/OTB2015/Human4/groundtruth_rect.txt

 查看文件，human4里面确实很奇怪，不知道是不是我下载的数据集有问题

 暂时换用otb了

4.使用otb数据集，默认路径有问题

有些人的配置里，所有图片是放在一个大文件夹color中的

我下的这个不是，在整个工程中全局查找，删掉路径中color就好

参考链接

pytracking系列跟踪算法的配置（LWL, KYS, PrDiMP, DiMP and ATOM Trackers）（Ubuntu版本）_博博有个大大大的Dream-CSDN博客_pytracking训练

(5条消息) [Object Tracking][环境配置流程][Ubuntu16.04]ATOM【CVPR2019】pytracking_llzxz9628的博客-CSDN博客

Ubuntu之cuda11.4安装_月生的静心苑-CSDN博客