SFD2：代码实战（登录文章给出的github下载代码）

1.配置环境

        创建环境：conda create -n sfd2 python==3.7

        然后激活环境：conda activate sfd2

        随后cd到代码文件夹内部：cd /home/liutao/桌面/demo/sfd2-dev

        pip install -r requirements.txt 

需要注意：安装mvcc时一定要注意版本1.5.0，另外安装与之对应的mmseg版本也应该对应，我今天随机在github上面回答了一个小伙伴的问题

        问题如下：

        我的回答：

2.下载数据集和训练权重

        根据readme，我们去寻找下载数据集的网址，发现论文中所用：

        数据集来自R2D2：（按照R2D2的数据集架构组织就可以）

 GitHub - naver/r2d2Contribute to naver/r2d2 development by creating an account on GitHub.https://github.com/naver/r2d2很遗憾，其中R2D2给出的download_traindata.sh文件中的下载revisitop数据集网址不知道是什么原因，连接失败，本人费了一番功夫在kaggle上面找到了：R2D2 Training Data | KaggleNatural Images for UnSupervised taskshttps://www.kaggle.com/datasets/javidtheimmortal/naturalimages?resource=download

        语义分割模型来源于：ConvXt：（为训练阶段的稳定性学习提供语义标签和语义感知特征）

GitHub - facebookresearch/ConvNeXt: Code release for ConvNeXt modelCode release for ConvNeXt model. Contribute to facebookresearch/ConvNeXt development by creating an account on GitHub.https://github.com/facebookresearch/ConvNeXt        局部特征提取模型来自SuperPoint：（为训练阶段提供局部稳定性）

GitHub - magicleap/SuperPointPretrainedNetwork: PyTorch pre-trained model for real-time interest point detection, description, and sparse tracking (https://arxiv.org/abs/1712.07629)PyTorch pre-trained model for real-time interest point detection, description, and sparse tracking (https://arxiv.org/abs/1712.07629) - magicleap/SuperPointPretrainedNetworkhttps://github.com/magicleap/SuperPointPretrainedNetwork        预训练模型来源于：谷歌硬盘（需要变成魔法师才能下载，我已经下载好，有需要可以关注私信我）
https://drive.google.com/drive/folders/1bM5lmMFMbsnDe_AdQ6SSs-t2OMIuys_j?usp=sharinghttps://drive.google.com/drive/folders/1bM5lmMFMbsnDe_AdQ6SSs-t2OMIuys_j?usp=sharing        这包含了CnovXt和SuperPoint的权重。

        评估数据集来源于：visualization benchmark

Benchmarking Long-term Visual Localizationhttps://www.visuallocalization.net/

3.阅读代码了解代码框架

        暂无（PS：因为本人电脑显卡问题，无法进行代码结果复现，后续可能在云服务器上面进行训练的展示，其他显卡大于3090Ti的小伙伴，可以私信我，我可以给你们一些建议）

本人已经完成了代码的调试，并且按照readme文件找到了其训练数据集，但是介于本人显卡显存不够，无法实施训练，所以是否结果真如作者论文中所说那么优秀，尚不可证明 。作者论文中给出的硬件是NVIDIA-3090Ti，如果有感兴趣的小伙伴，欢迎留言，请我喝杯奶茶，我或许可以和你说一些配置训练环境以及修改代码的细节，然后让我们共同探索这篇2023年CVPR的论文是否效果真的很棒。另外，后续有时间我租用云服务器跑一下这个代码。接下来本人探讨的方向仍然放在语义视觉定位方面。