Openpose 单个GPU训练起来了。

前几天公司有人脸识别方面性能需求，花了点时间，把insightface 的环境安装后训练了一下。

ubuntu单GPU，rtx2080 这样的配置run insightface太慢，当时没记训练速度，大概是1个晚上训练出来10个epoch，达到》95%精度。开发到AI架构是MxNET（这个架构是华人大神李沐和陈天奇等搞得），，估计训练时间久一些，会轻松达到>99%精度，根据论文介绍，目前insightface是人脸领域的SOTA。  后面由于公司对人体姿态动作预测有性能要求，所以花费了几天的时间在1GPU的环境，搭建起来了openpose训练环境。

openpose，COCO数据集体，下载39G的数据，然后生成189G的数据集，训练了一个晚上，，，1路rtx2080，，batch size 8，大概是12小时训练到3个epoch，50000个iter。loss还比较大。。。根据论文作者描述，openpose至少要4路gpu，训练到800k个iter的时候效果是最好的。。。好吧，需要更高的训练工作站更强配置的gpu然后再来做性能提升。

--------------------------------------------------------

https://github.com/CMU-Perceptual-Computing-Lab/openpose/

按照作者的指导，如下：

Training Steps

• Run cd training; bash getData.sh to obtain the COCO images in dataset/COCO/images/, keypoints annotations in dataset/COCO/annotations/ and COCO official toolbox in dataset/COCO/coco/.
  • 　　这里建议开screen，因为要下载超级久
• Run getANNO.m in matlab to convert the annotation format from json to mat in dataset/COCO/mat/.
• Run genCOCOMask.m in matlab to obatin the mask images for unlabeled person. You can use 'parfor' in matlab to speed up the code.
  • 　　注意修改Matlab程序中的路径，在  im = imread(['dataset/COCO/', img_paths]);的COCO后面加上images/，原程序有点问题
  •       这里尝试开启了一下并行运算，速度特别快，将代码中第二个for循环改为parfor i = 1:L，然后使用Matlab的时候，先输入matlabpool open，然后再运行程序。关闭的方法为matlabpool close
• Run genJSON('COCO') to generate a json file in dataset/COCO/json/ folder. The json files contain raw informations needed for training.
• Run python genLMDB.py to generate your LMDB. (You can also download our LMDB for the COCO dataset (189GB file) by: bash get_lmdb.sh)
• Download our modified caffe: caffe_train. Compile pycaffe. It will be merged with caffe_rtpose (for testing) soon.
• Run python setLayers.py --exp 1 to generate the prototxt and shell file for training.
• Download VGG-19 model, we use it to initialize the first 10 layers for training.
• Run bash train_pose.sh 0,1 (generated by setLayers.py) to start the training with two gpus.  ，，当只有1个gpu到时候，后面只给参数0 。

后面继续搞清楚自己收集到的图片如何制作为标签丢到数据集里面，作相应的增强。