在SeaShips数据集上训练CenterNet网络

在SeaShips数据集上训练并测试CenterNet网络

本文主要记录我在seaships数据集上训练CenterNet网络进行船只检测过程中遇到的问题和解决办法

首先，介绍一下SeaShips数据集，
该版本数据集共有7000张图片，图片分辨率均为1920*1080，分为六类船只，主要是一些内河航道中船只的图片。
在pytorch实现的centernet的基础上进行修改，centernet作者的源代码链接：CenterNet

本文主要讲述运行工程的过程及遇到的bug和解决方法

数据集处理

在上一篇文章里面已经提到把标签转为txt文件，但是本工程需要把数据集转为coco数据集的格式才可以使用。
下载工程zip解压后可到许多文件夹，第一个是data文件夹。我先把上篇文章处理过的SeaShips数据集文件夹放在data文件夹下，然后seaships文件夹下新建images文件夹，把所有图片放在这里面。清空原来的annotations文件下，现在这个文件下需要放两个文件: train.json 和 val.json，分别是训练集和验证集的信息。7000张图片，我选取前5000张为训练集，1000张为测试集，1000张作为验证集。在最后修改后的工程里面的seaships_to_cocoformat.py文件里面定义了coco数据集格式并用来生成json文件。这里在data[“annotations”]中的img_id =“00xxxx”，均为字符串形式，在data[“annotations”]中的bbox定义了框的信息，x,y,w,h, 对应的均为1920*1080分辨率大小。
然后在src/lib/datasets/dataset里面新建一个“seaships. py”，文件内容照着文件夹下coco.py改一改既可。建立完毕后，将数据集加入src/lib/datasets/dataset_factory里面，加入也很简单，打开这个文件，一看便知。

添加数据集

修改opt.py文件

        self.parser.add_argument('--dataset', default='Annapolis',  
                                 help='coco | kitti | coco_hp | pascal | seaships | Annapolis')

要把新的数据集加入help里面，可以修改一下默认数据集，这样方便一些。

 def init(self, args=''):
        default_dataset_info = {
            'ctdet': {'default_resolution': [512, 512], 'num_classes': 11,
                      'mean': [0.408, 0.447, 0.470], 'std': [0.289, 0.274, 0.278],
                      'dataset': 'Annapolis'},

修改ctdet任务使用的默认数据集为新添加的数据集，如上。
修改debugger.py文件：

 elif num_classes == 11 or dataset == 'Annapolis':
            self.names = Annapolis_class_name

把新添加的数据集加入elif，这句在Debugger这个类里面。
然后在debugger.py文件下面添加newdataset_class_name。

修改test.py文件
由于图片路径问题，要在test函数里面修改一下数据集图片的绝对路径

# 修改test函数图片的绝对路径
        dataset.img_dir = '/home/czb/CenterNet-master/data/Annapolis/JPEGImages/'
        img_path = os.path.join(dataset.img_dir, img_info['filename'])

修改sample/ctdet.py文件，35行左右，self.img_dir，更改包含全部图片的文件夹的绝对路径

搭建环境

原工程中体到的环境为Ubuntu+pytorch0.4.1，我原来的环境为Ubuntu+pytorch1.1.0，按照原工程readme文件夹中INSTALL.md里面执行，

cd $CenterNet_ROOT/src/lib/models/networks/DCNv2
./make.sh

问题一：

在执行上面这一步时报错："ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead", 原因是pytorch1.1中，torch.utils.ffi被弃用，最简单有效的解决方法是回退到pytorch0.4.x版本。于是我新建anaconda虚拟环境，虚拟环境为python3.6 + pytorch0.4.1，本问题解决。

问题二：

配置好环境后，欢天喜地继续make，迎接我的却是下一个错误："cffi.error.VerificationError:LinkError:command 'gcc' failed with exit status 1"
查了许多种方法，有效的解决方案是打开CenterNet-master/src/lib/models/networks/DCNv2/make.sh文件，在文件最上面加上如下几句:

export CUDA_PATH=/usr/local/cuda/
export CXXFLAGS="-std=c++11"
export CFLAGS="-std=c99"

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export CPATH=/usr/local/cuda-9.0/include${CPATH:+:${CPATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

cd src/cuda

加上以上几句话后就make成功了，我也不知道为什么，玄学吧…

接下来：

cd $CenterNet_ROOT/src/lib/external
make

然后MODEL_ZOO.md里面下载参数，ctdet_coco_dla_2x，下载完毕后放在models文件夹里面。
到这里，环境基本搭建成功，接下来可以跑一下代码了

运行demo.py文件

首先要进入虚拟环境：

source activate CenterNet-master
cd src/

然后在终端输入：

python demo.py ctdet --demo /home/czb/CenterNet-master/images/ --load_model /home/czb/CenterNet-master/models/ctdet_coco_dla_2x.pth

第一个问题：

运行demo.py后发现，已经下载好了参数，可是它还是会重新开始下载参数，经过排查发现，在pose_dla_dcn.py文件里面，第309行开始的一个函数：

def dla34(pretrained=True, **kwargs):  # DLA-34
    model = DLA([1, 1, 1, 2, 2, 1],
                [16, 32, 64, 128, 256, 512],
                block=BasicBlock, **kwargs)
    pretrained = False
    if pretrained:
        model.load_pretrained_model(data='imagenet', name='dla34', hash='ba72cf86')
    return model

我加了一句pretrained = False后，便可正常load我们前面下载的参数了。

第二个问题：

开始运行后，终端显示：

(CenterNet-master) czb@server:~/CenterNet-master/src$ python demo.py ctdet --demo /home/czb/CenterNet-master/images/ --load_model /home/czb/CenterNet-master/models/ctdet_coco_dla_2x.pth
Fix size testing.
training chunk_sizes: [32]
The output will be saved to  /home/czb/CenterNet-master/src/lib/../../exp/ctdet/default
Creating model...
loaded /home/czb/CenterNet-master/models/ctdet_coco_dla_2x.pth, epoch 230
Drop parameter base.fc.weight.
Drop parameter base.fc.bias.

会弹出第一张照片，然后就再也没有任何反应了。经过测试后发现问题是在弹出一张照片后，不要用鼠标关闭这张图片，而是按键盘除了 ESC以外任意键就可以继续运行了。

第三个问题：

看着demo.py运行成功，也能显示图片后，本以为万事大吉可以开始train了，但是我发现demo运行完毕后并没有保存检测后的图片，后来发现，原因很简单，因为运行的时候根本就没有调用保存图片的函数。只需要在src/lib/detectors/cdet.py文件中：

    def show_results(self, debugger, image, results):  # demo文件會調用這個函數，本函`python main.py ctdet --exp_id coco_dla --batch_size 32 --master_batch 1 --lr 1.25e-4  --gpus 0,1`數是demo時顯示圖片並保存圖片
        debugger.add_img(image, img_id='ctdet')
        for j in range(1, self.num_classes + 1):
            for bbox in results[j]:
                if bbox[4] > self.opt.vis_thresh:
                    debugger.add_coco_bbox(bbox[:4], j - 1, bbox[4], img_id='ctdet')
        debugger.show_all_imgs(pause=self.pause)
        debugger.save_all_imgs(path='/home/czb/CenterNet-master/output/', genID=True)

加上一行代码，就是最后一行debugger.save_all_imgs(path='/home/czb/CenterNet-master/output/', genID=True) ,path是输出路径，需要在CenterNet-master文件夹下新建一个文件夹output，然后再运行一遍发现检测后的图片就会保存在这个文件夹里面了。当然，去掉倒数第二行show_all_imgs，那么运行的时候就不会弹出照片了。

开始训练

首先将opts.py文件里面，大概第十几行的地方，把dataset默认值改为seaships，将默认task改为ctdet：

self.parser.add_argument('task', default='ctdet',
                                 help='ctdet | ddd | multi_pose | exdet')
self.parser.add_argument('--dataset', default='seaships',
                                 help='coco | kitti | coco_hp | pascal|seaships')

然后终端输入：

python main.py ctdet --exp_id coco_dla --batch_size 32 --master_batch 1 --lr 1.25e-4  --gpus 0,1

问题一：

发现不管是val还是train都导入的是5000张图片，val应该是1000张才对，定位一下发现前面自己建立的seaships.py文件的27行：

        if split == 'val':
            self.annot_path = os.path.join(
                self.data_dir, 'annotations',
                'val.json').format(split) # 修改test的json文件位置
        else:
            if opt.task == 'exdet':
                self.annot_path = os.path.join(
                    self.data_dir, 'annotations',
                    'train.json').format(split)
            else:
                self.annot_path = os.path.join(
                    self.data_dir, 'annotations',
                    'train.json').format(split) # 这才是train文件

要把第一行if split 改为 ==‘val’，这样validate时就会调用val.json文件，1000张图片。把最后一行要调用的文件改为‘train.json’,这样训练的时候才会调用train.json文件，训练5000张图片。改完之后数据集导入就正常了。

问题二：

报错如下：

Starting training...
ctdet/coco_dlaTraceback (most recent call last):
  File "main.py", line 104, in <module>
    main(opt)
  File "main.py", line 71, in main
    log_dict_train, _ = trainer.train(epoch, train_loader)
  File "/home/czb/CenterNet-master/src/lib/trains/base_trainer.py", line 120, in train
    return self.run_epoch('train', epoch, data_loader)
  File "/home/czb/CenterNet-master/src/lib/trains/base_trainer.py", line 62, in run_epoch
    for iter_id, batch in enumerate(data_loader):
  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/utils/data/dataloader.py", line 336, in __next__
    return self._process_next_batch(batch)
  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/utils/data/dataloader.py", line 357, in _process_next_batch
    raise batch.exc_type(batch.exc_msg)
KeyError: 'Traceback (most recent call last):\n  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/utils/data/dataloader.py", line 106, in _worker_loop\n    samples = collate_fn([dataset[i] for i in batch_indices])\n  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/utils/data/dataloader.py", line 106, in <listcomp>\n    samples = collate_fn([dataset[i] for i in batch_indices])\n  File "/home/czb/CenterNet-master/src/lib/datasets/sample/ctdet.py", line 32, in __getitem__\n    file_name = self.coco.loadImgs(ids=[img_id])[0][\'file_name\']\nKeyError: \'file_name\'\n'

定位后发现是”file_name"的问题，datasets/sample/ctdet.py32行左右：

img_id = self.images[index]  # 返回img的id，即00xxxx
file_name = self.coco.loadImgs(ids=[img_id])[0]['filename'] 

通过输出发现self.coco.loadImgs(ids=img_id)[0]返回的是一张图片的信息，字典形式，其中字典中对应图片名字的key是“filename”,而源代码通过file_name = self.coco.loadImgs(ids=[img_id])[0]['file_name']来读取只会返回空值，所以报错。把"file_name" 改为"filename"即可，这个问题后面还会遇到好几次，处理方法均相同。（其实这是因为我在生成json文件时定义的就是filename可以在生成json文件时把filename改为file_name，这样就不用修改代码了）
接下来这几行使用cv2通过路径读取图片，但是我发现图片路径有问题，即：

self.img_dir = '/home/czb/CenterNet-master/data/Seaships/images2/  # 用于CV2根据路径读取图片
img_path = os.path.join(self.img_dir, file_name)  

原来的self.img_dir定义了一个路径，但与本机的不符，所以在上面加一行，重新定义一下图片路径。

问题三

在计算loss的时候我们发现了一个怪问题，送进去的batch的大小为[32 * 3 * 512 * 512]，但是计算loss的时候输出一下batch大小却为[1 * 3 * 512 * 512]，batch被分为了两部分，感到很奇怪。后来发现，这是因为使用了两个GPU的原因，不是什么bug，是我们太菜了…
不过这里一个问题但是先跳过了，就是数据集分别在两个GPU上训练，但是数据集的划分极为不均，第一个小GPU训练了31/32的训练集，而第二个只分了1/32的，这样很容易out of memory的。没错，就是下面遇到的问题…

问题四：

  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/nn/modules/module.py", line 477, in __call__
    result = self.forward(*input, **kwargs)
  File "/home/czb/CenterNet-master/src/lib/models/networks/pose_dla_dcn.py", line 216, in forward
    x2 = self.tree2(x1)
  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/nn/modules/module.py", line 477, in __call__
    result = self.forward(*input, **kwargs)
  File "/home/czb/CenterNet-master/src/lib/models/networks/pose_dla_dcn.py", line 54, in forward
    out = self.bn2(out)
  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/nn/modules/module.py", line 477, in __call__
    result = self.forward(*input, **kwargs)
  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/nn/modules/batchnorm.py", line 66, in forward
    exponential_average_factor, self.eps)
  File "/home/czb/anaconda3/envs/CenterNet-master/lib/python3.6/site-packages/torch/nn/functional.py", line 1254, in batch_norm
    training, momentum, eps, torch.backends.cudnn.enabled
RuntimeError: CUDA error: out of memory

batch_size原来设为32，现在改为16，用两个GPU，显存分别是6G和12G，发现还是会报相同的问题。在报out of memory之前(报错之后会清空该程序占用的显存)，检查显卡占用情况发现，batch_size为16时占用显存约9个G，但是用两个显卡时它却将大部分数据放在6G的显卡上训练，这样尽管12G显卡有很多内存剩余，还是会out of memory，暂时解决方法是只用12G的那一个显卡进行训练就暂时没问题了。

问题五

首先训练了10个epoch，训练得到的权重在/home/czb/CenterNet-master/exp/ctdet/coco_dla文件夹下，分为model_best.pth和model_last.pth，这里先运行一下demo.py看一下船只检测的效果如何，发现报错。问题主要在于，第一点：在opt.py文件里面修改ctdet网络默认使用的数据集，改为seaships，并修改num_classes=6，大概在340行，如下：

    def init(self, args=''):    # 修改默认数据集
        default_dataset_info = {
            'ctdet': {'default_resolution': [512, 512], 'num_classes': 6,
                      'mean': [0.408, 0.447, 0.470], 'std': [0.289, 0.274, 0.278],
                      'dataset': 'seaships'},

第二点，修改utils文件夹下的debugger.py文件，第48行左右，添加seships数据集基本信息，如下：

        elif num_classes == 20 or dataset == 'pascal':
            self.names = pascal_class_name
        elif num_classes == 6 or dataset == 'seaships':  # 添加seaships数据集
        	self.names = seaships_class_name

注意我这里直接修改opt.py文件中load_model的默认值，这样在终端运行时不用加上模型路径。

问题六

训练了10个epoch后观察一下输出，发现基本所有预测框都偏向船的右下方，怀疑是处理数据集时给的标签有问题。如下，是根据训练了10个epoch后得到的权重参数预测的框：

现在将原来标签中心点的坐标向左上方移动二分之一个框，重新生成train.json 和 val.json文件。
修改后重新训练十个epoch，效果已经很不错了:

运行test文件：

修改的地方一：

    for ind, (img_id, pre_processed_images) in enumerate(data_loader):
        ret = detector.run(pre_processed_images)
        img_id = np.array(img_id)

        results[img_id.astype(np.int32)[0]] = ret['results']

要加一句img_id = np.array(img_id)，将其转为numpy类型，同时，删去上面最后一句[img_id.numpy().astype(np.int32)[0]]中的.numpy。

修改的地方二：

        if split == 'val':
            self.annot_path = os.path.join(
                self.data_dir, 'annotations',
                'val.json').format(split) # 修改test的json文件位置
        elif split == 'test':
            self.annot_path = os.path.join(
                self.data_dir, 'annotations',
                'test.json').format(split)  # 修改test的json文件位置

在前面新建的seaships.py文件中，加入elif split == ‘test’:…，作用是当test时指定一个要读取的标签文件。

修改的地方三

    for image_id in all_bboxes:
        image_id = str(image_id)
        image_id = image_id.zfill(6)
        for cls_ind in all_bboxes[int(image_id)]:
            category_id = self._valid_ids[cls_ind - 1]
            for bbox in all_bboxes[int(image_id)][cls_ind]:

为了保证两个json文件image_id相同，因此将image_id转换为6位整数型，并在接下来的循环处改成int类型.

修改的地方四

运行test时，会将网络预测的测试集图片的结果保存为results.json ，然后与标签test.json进行比较来计算AP，然后我们发现，results里面目标的中心点坐标就为框的中心点坐标，而之前生成的test里面框的中心点坐标实际为框的左上角坐标，因此重新生成一下test.json，修改其标签信息与results相对应才可。

一个很小却又很重要的问题

这个不起眼的问题困扰了我很久，花费了我们十几个小时才注意到这个地方，真是一把辛酸泪啊…
那就是运行test.py时，不要加上 --keep_res，加上这句会保持图片的原始分辨率，与我们训练的权重参数不符，这样导致测试的结果明显有问题。而最初我们以为是标签的问题，但是检查了好几遍都是没有问题的，最后无奈把yolov3工程中test改变一下放在这里使用，修改的过程又是几个小时。悲催的是即使用了yolov3的test，所测结果依然几乎为0。因为跑demo效果很好，test效果很差，经过详细比较发现没什么区别啊，最后输出发现，对于同一张图片，它们输出的results竟然不一样！！！终于发现了这个不起眼的keep_res，因为原工程里readme里面给的例子测试的时候有这句，我测试的时候就没多想直接加上了，结果给我们了许多的问题，所以一定不要拿来主义直接去用！

这里指出https://github.com/ultralytics/yolov3这个工程里面的一个小错误

在ultralytics/yolov3/utils/datasets.py文件中，第328行：
应改为如下所示：

          if x.size > 0:
                # Normalized xywh to pixel xyxy format
                labels = x.copy()
                # labels[:, 1] = ratio * w * (x[:, 1] - x[:, 3] / 2) + padw
                # labels[:, 2] = ratio * h * (x[:, 2] - x[:, 4] / 2) + padh
                # labels[:, 3] = ratio * w * (x[:, 1] + x[:, 3] / 2) + padw
                # labels[:, 4] = ratio * h * (x[:, 2] + x[:, 4] / 2) + padh
                labels[:, 1] = (x[:, 1] - x[:, 3] / 2)
                labels[:, 2] = (x[:, 2] - x[:, 4] / 2)
                labels[:, 3] = (x[:, 1] + x[:, 3] / 2)
                labels[:, 4] = (x[:, 2] + x[:, 4] / 2)

        # Augment image and labels
        if self.augment:
            img, labels = random_affine(img, labels, degrees=(-5, 5), translate=(0.10, 0.10), scale=(0.90, 1.10))

        nL = len(labels)  # number of labels
        if nL:
            # convert xyxy to xywh
            labels[:, 1:5] = xyxy2xywh(labels[:, 1:5])

            # Normalize coordinates 0 - 1
            # labels[:, [2, 4]] /= img.shape[0]  
            # labels[:, [1, 3]] /= img.shape[1] 
        if self.augment:

把4行labels坐标转换修改一下，并把下面的normalize coordinates的两行注释掉就可以了。
原因： 其实这几行是对标签坐标进行修改，一方面是把xywh改为x1y1x2y2，另一方面是根据图片的分辨率进行修改。以seaships数据集为例，原图大小为1920 * 1080，标签为class，x，y，w，h，其中xywh都已经是归一化的，而原来代码这里把归一化的坐标转为网络需要的分辨率如 416 * 416大小，再把x,w除以宽416，y,h除以高416，首先有点多此一举，因为标签是归一化的，那么就与分辨率大小无关了。
其次有点小错误。这里的ratio=max(new_shape)/max(shape)=416/1920，见原代码385行letterbox函数。那么shape * ratio对于宽1920正常，但是高1080*ratio小于416，于是原代码加了一个修正，即padh = (416 - 1080 * ratio)/2，然后在原来代码330和332行，对于416 * 416大小图片标签 y1=ratio(=416/1920) * h(=1080) * y1(原标签归一化的y1) + padh(416-1080 * 416/1920)/2，这里padh是应该对1080转416的修正的1/2，而不是1080转416再乘以一个小数后的修正，所以会有误差。应该为y1=(ratio * h+padh * 2) * y1 = (416/1920 * 1080 + 416-1080 * 416/1920) * y1 = 416 * y1, 而下面labels[:, [1, 3]] /= img.shape[1] 相当于 416 * y1 / 416 = y1，这也是这个过程多此一举的原因。

记录一下main.py大概执行流程

大概在main.py的70行：

    for epoch in range(start_epoch + 1, opt.num_epochs + 1):
    	mark = epoch if opt.save_all else 'last'
    	log_dict_train, _ = trainer.train(epoch, train_loader) 

开始进行一个epoch训练，调用trainer.train函数会跳转到base_trainer.py中的run_epoch函数，大概在五十五行。run_epoch()函数：

        for iter_id, batch in enumerate(data_loader):  # dataloader 长度为156,大概是一个batch32，总需156个batch
            if iter_id >= num_iters:
                break
            data_time.update(time.time() - end)

data_loader为训练集容器，因为训练集5000张图片，batch_size=32,那么一个epoch要分为156个batch(我是这样理解的)。
代码里面batch包含了一个batch的全部内容，是一个字典形式，有6个key，分别是：input, heatmap, reg_msk, ind, wh, reg，它们的大小分别为：
#torch.Size([32, 3, 512, 512]) input
# torch.Size([32, 6, 128, 128]) heatmap
# torch.Size([32, 128]) reg_mask
# torch.Size([32, 128]) ind
# torch.Size([32, 128, 2]) wh
# torch.Size([32, 128, 2]) reg
然后要计算损失，将batch送入下面的函数：

output, loss, loss_stats = model_with_loss(batch)  # loss为总的loss，loss_stats即为一个字典，是loss的类型，三部分，output即网络输出

这个函数经过层层调用，最终调用的是class ModleWithLoss：

class ModleWithLoss(torch.nn.Module):
    def __init__(self, model, loss):
        super(ModleWithLoss, self).__init__()
        self.model = model  # model为网络框架
        self.loss = loss    # self.loss = 总的loss大小，还有一个loss_stats

    def forward(self, batch):
        # batch为一个批次输入的全部内容，字典形式，key为input即为输入的图片，是一个32*3*512*512的张量
        outputs = self.model(batch['input'])
        loss, loss_stats = self.loss(outputs, batch)  # 总的loss、大小， 和loss、 states
        return outputs[-1], loss, loss_stats

input即输入图片，shape为torch.Size([32, 3, 512, 512])， outputs为网络输出， self.loss来计算损失。
测试得到，outputs是一个长度为1的list，outputs[0]长度为3的字典，outputs[0]的value的shape分别为：
torch.Size([1, 6, 128, 128]) heatmap
torch.Size([1, 2, 128, 128]) box的wh
torch.Size([1, 2, 128, 128]) box的偏置
self.loss()函数计算loss，两个返回值，第一个loss即为总的loss，第二个loss_stats为每部分的loss大小（包括关键点估计，框的大小回归，偏置损失三部分），如下：

loss tensor(307.9406, device='cuda:0', grad_fn=<ThAddBackward>)
{'loss': tensor(307.9406, device='cuda:0', grad_fn=<ThAddBackward>), 'hm_loss': tensor(306.8193, device='cuda:0', grad_fn=<AddBackward>), 'wh_loss': tensor(7.4733, device='cuda:0', grad_fn=<AddBackward>), 'off_loss': tensor(0.3739, device='cuda:0', grad_fn=<AddBackward>)}

在上面记录的那些报错解决后，运行main.py就可以正常开始训练了。

总结一下：

加入一个新的数据集需要做什么：

1，要生成coco数据集格式的标签文件train.json 和 val.json，其中标签信息大小就以1920*1080分辨率来给出，x，y要给出box左上角的坐标。
2，仿照coco.py新建seaships.py修改一些地方就可以。
3，在dataset_factory.py里面将seaships加进去，里面就是记录了有哪些数据集。
4，修改opt.py里面opt.data_dir路径，给出本机data文件夹绝对路径。
5，修改opt.py中def init函数ctdet任务对应的默认数据集信息，修改num_classes和dataset两个点。
6，修改utils文件夹下的debugger.py文件，第48行左右，添加seships数据集基本信息，照着例子加一个elif即可。
7，修改opt.py文件大概十几行的地方，修改默认任务为ctdet，默认数据集为seaships，这样改是为了运行时方便，不改的话可以在终端运行时在指定也可，当然，要把seaships加入datasets的help里面。
8，新建的seaships.py要加上elif split == test: … 详见上方test部分。

训练：

python main.py ctdet --exp_id coco_dla --batch_size 16 --master_batch 1 --lr 1.25e-4  --gpus 0

1，opt.load_model，将默认改为空，这样就会重新初始化进行训练
2，训练完毕后，会生成model_best.pth 和 model_last.pth两个权重，在exp/ctdet/coco_dla/路径下，然后把opt.load_model的默认那里改为两个权重中一个的路径，这样继续训练或者test或者跑demo的时候就会导入先前训练的权重
3，opt.epoch修改default改变训练的epoch多少，也可不改，在终端运行时直接指定。

测试

1，这里有两个测试方法，一个是原工程就有的调用pycocotools进行测试，另一个是自己写代码测试mAP。
原方法：python test.py ctdet --exp_id coco_dla --not_prefetch_test
另一个可以测每个类别的mAP：python test_with_yolov3.py ctdet --exp_id coco_dla --not_prefetch_test
2，这里注意要生成一个包含全部测试图片路径的txt文件，每一行指向每一张图片的绝对路径。类似于yolov3测试数据集的方法，全部图片要放在JPEGImages文件下，对每一张图片生成txt标签文件，放在labels文件下，labels文件夹和JPEGImages文件夹放在同一个文件夹下。
3，test文件test函数和prefetch_test函数都有一句split = 'val' if opt.trainval else 'test'，原来是split = 'val' if not opt.trainval else 'test'，把not去掉，否则在终端测试时要加上--trainval