复现MLKP(CVPR 2018)

CVPR18 Paper: Multi-scale Location-aware Kernel Representation for Object Detection

论文地址：https://arxiv.org/abs/1804.00428

论文代码：https://github.com/Hwang64/MLKP

我google了一下，找不到关于这个论文实验部分的复现过程，然后去他的github上看了一下，只有88个star，表示跟的人不是很多，所以复现这个算法的人也少.今天抽半天复现下，然后做个实验记录，貌似是第一个写关于MLKP复现的博客，哈哈。PS： 作者很多地方一句话带过了，有不少坑需要注意。

 

1、实验环境：https://blog.csdn.net/xiqi4145/article/details/88101246

上一篇我的关于复现ssd的博客，里面有我的环境配置，下面只用文字简单说明一下：

OS：Linux 16.04

GPU: 七彩虹 1080ti 11g显存 （根据你的显卡来选择arch参数，这里也是个坑）

CUDA : Version 8.0

CUDNN:Version 5.0 (CUDA 8对应 CUDNN5，CUDA9对应CUDNN7，最好对应)

 

2、载终端中执行  git clone https://github.com/Hwang64/MLKP.git , 下载MLKP的repository如下图：

然后解压到你自己的工作目录下，提取之后是这样的：

 

3、下载好源代码之后，就要开始关键的编译环节了

cd  $MLKP_ROOT      (ps:有人问过我，这种$MLKP_ROOT是什么路径， 简单的说，就是你解压MLKP-matster后的文件夹，就是上面4个文件夹，一个README.md的文件夹，这里用$ 符号，表示引用的意思）

git clone https://github.com/Hwang64/caffe-mlkp.git   (这一步执行完成之后，MLKP-master里面会多了一个叫做caffe-mlkp的文件夹）

cd caffe-mlkp

make clean  (养成好习惯，在编译之前先 make clean）

make all -j16   (这里在make之前，参考我上一篇复现ssd的博客，如何修改Makefile和Makefile.config文件，作者提供的github里面这部分步骤省略了）

make pycaffe

上面这几步通过后如下图：

编译好之后在终端执行：

cd $MLKP_ROOT/lib   

make

通过后如下图：

3、安装训练和测试模型

1. Download the training, validation, test data and VOCdevkit

   wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
   wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
   wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

2. Extract all of these tars into one directory named VOCdevkit

   tar xvf VOCtrainval_06-Nov-2007.tar
   tar xvf VOCtest_06-Nov-2007.tar
   tar xvf VOCdevkit_08-Jun-2007.tar

3. It should have this basic structure

   $VOCdevkit/                           # development kit
   $VOCdevkit/VOCcode/                   # VOC utility code
   $VOCdevkit/VOC2007                    # image sets, annotations, etc.
   # ... and several other directories ...

然后README.md写到这里，就丢了一个网址 ，叫你具体参考py-faster-rcnn，话说这里坑很有点多，我反正是搞了一整天，才搞定，- - . 下一篇详细讲遇到了哪些坑。

 

4、加载 已经载VOC07数据上训练好的VGG16来测试mAP指标

在终端执行：

python ./tools/test_net.py  --def models/VGG16/test.prototxt  --net output/VGG16_voc07_test.caffemodel --imdb voc_2007_test --cfg experiments/cfgs/faster_rcnn_end2end.yml

成功运行后截图如下：

 

当4952张图片测试完成后，会显示每一个类别的mAP，如下图：

 

坑很多，下一篇讲遇到的坑，以及如何解决的，有问题，欢迎留言，一起学习讨论.