fanq15/FSOD-code 的环境配置及运行

fanq15/FSOD-code的环境配置及运行

---

Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

对应的论文地址Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

---

前言

本文是基于本人ubuntu16.04LTS下成功的运行经验

fanq15/FSOD-code

代码的经历以及经验

一、代码下载

首先，查看你的系统是否已安装git，已经安装的跳过此步。
通过“git“指令进行查看，若未，安装在终端中输入：

sudo apt-get install git

配置好后，在你想要下载代码的目录下打开终端（如果你不嫌烦的话也可以cd过去）并输入

git clone https://github.com/fanq15/FSOD-code.git

完成后，在对应的目录下应该已经出现克隆好的文件夹，如下图选中部分。

文件夹中内容：

注意，数据集和预训练模型需要单独下载，数据集大小约为15G左右，预训练模型为265M注意目录的剩余空间！

预训练模型在其github介绍下已给出预训练模型

二、将数据集和预训练模型拷贝到相应目录下

1.目录的树形结构：

2.拷入数据集和预训练模型

模型文件拷到fsod下,预训练模型拷到pretrain_model下

拷入前对应目录下有用来占位的连接文件,无视删除掉就行

---

三、环境要求

需要装有英伟达显卡的机器，且已经安装了CUDA 9.0（只能是9.0其他版本不行），我的机器是GTX1060（6G），驱动版本是384.130

1.需要的包

建议用anaconda新建一个虚拟环境来配置
可以用conda或者pip下载，速度慢的话换国内源。

2.编译CUDA代码

进入lib目录，右键”在终端打开“
如果你是在anaconda下配置的上面所说的环境，比如我创建的环境名为FSOD，则首先进入环境，在终端中输入

conda activate FSOD

并执行make.sh

sh make.sh

如果提示无权限，则在终端输入下面命令后再运行。

sudo chmod 755 make.sh

四、代码运行

1.跟据不同机器的GPU数量修改根目录下的all.sh

如果你恰好财力雄厚，机器拥有四块GPU，则可以跳过这步

高亮部分为模型训练指令，下半部分为模型测试指令。

比如我的机器只有一个GPU，则将

CUDA_VISIBLE_DEVICES=0,1,2,3 这里改为CUDA_VISIBLE_DEVICES=0

并将

- -bs 4改为 - -bs 1

如果你有两个及以上的GPU则不用修改下半部分，如果是单GPU机器，则：

将- -multi-gpu-testing 删掉

2.已经训练过模型，仅测试

可以将上图的高亮部分删除掉，训练好的模型保存在根目录下的Outputs文件夹中

训练参数可以在FSOD/configs/fsod/下的voc_e2e_faster_rcnn_R-50-C4_1x_old_1.yaml中修改（默认迭代次数为240000，没错24万，在我这小破游戏本上得跑到猴年马月去。。。）

3.运行

在FSOD-code即代码根目录下，右键“在终端打开”，执行

conda activate "你的环境名“
sudo chmod 755 all.sh
sh all.sh

可以看到，已经开始训练了，一般训练到四五百次的时候，准确率就在90%左右浮动了，你可以ctrl+c/z中途终止训练，模型也是会保存到Outputs文件夹中的。
训练时你可以新开一个终端，输入

watch -n 1 nvidia-smi

来监视GPU状态，上面命令的 -n 1意思是每1秒刷新一次，你也可以自己更改刷新时间比如-n 5 、-n 10等