【目标跟踪】pysot调试运行记录 [linux系统]

左手的ㄟ右手 2023-07-23 04:56 2阅读 0赞

#### pysot是商汤科技开源的目标跟踪的系统，项目链接[请点击][Link 1]，内容非常丰富，包含了多种孪生网路的跟踪框架。 ####

![在这里插入图片描述][20200407095725363.png]

##### 具体的项目请在官网下载源代码进行查看，这里主要是针对Liunx(Centos7)系统的部署其正常运行的经验。 #####

##### 1 linux 调试经验 #####

> 这里主要是针对官网的[Install][]部分进行总结。  
> 其实该文件内，将所需的配置已经给的很明白了，但是在具体操作的时候，特别对于小白来说，可能并不是很明白,这里我根据自己的调试经验来一步步进行总结。下图是该项目所需的一些配置。  
> ![在这里插入图片描述][20200407100228788.png]

##### 1.1 创建虚拟环境 #####

> conda create --name pysot python=3.7  
> 这里是创建一个名字为pysot的Anaconda虚拟环境，该环境下Python版本为3.7，这里注意，python版本为3.7并不意味着Anaconda的内置python版本一定要是3.7版本的，他只是Anaconda创建的一个虚拟环境，一般来讲，Anaconda可以独立于系统原有的Python版本而创建任意版本的Python解释器，即可以直接创建python=3.7的虚拟环境。一般不会出错。  
> 上个命令执行完，可以命令行输入 conda env list 进行查看刚才配置的虚拟环境

##### 1.2 激活创建的虚拟环境 #####

> conda activate pysot  
> 该命令用来激活刚才创建的pysot的环境，注意这个环境是在Anaconda所在文件夹下的envs目录下：/home/yourhost/anaconda/envs，可以进入该目录看到该虚拟环境下的目录，目前此虚拟环境为一个空的虚拟环境，和你之前的Anaconda环境下配置的包和库没有任何关系，有些包和库是你需要再次安装的：  
> ![在这里插入图片描述][2020040710130692.png]

##### 1.3 安装numpy/pytorch/opencv #####

> 1 conda install numpy  
> 2 conda install pytorch=0.4.1 torchvision cuda90 -c pytorch  
> 3 pip install opencv-python  
> 官网上是这三句话，注意**这些话都是在以上的虚拟环境 pysot下进行安装的**。  
> 第一句话，明显是安装numpy 这个就没什么说的了，无非是平时可能很多时候用pip这里用的conda，其实是一样的，你也可以用pip，不过用conda这个命令可以获得更稳定的包  
> 第二个命令，其实是这三句话里的精髓，这里需要你验证的东西比较多，这句话是要安装 pytorch 和 torchvision 当然后面的 cuda90 是指的你的电脑上的 CUDA驱动的版本，这个驱动其实很有讲究，**因为CUDA驱动即CUDA运行时驱动版本要和对应的显卡驱动即CUDA driver version匹配才行，一般来讲，需要Driver Version > Runtime Version**，不然会有CUDA driver version is insufficient for CUDA runtime version这个是在TensorFlow-GPU版中经常出现的问题，应该在torch中也会有类似的异常。那我们怎么检测呢？  
> 1）进入这个[链接][Link 2]找到以下的内容，我已经把CUDA driver version和Runtime Version标注了，这个需要我们匹配才能正常使用CUDA进行深度学习的实验。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70]  
> 2）怎么查看CUDA Driver Version，这个需要用到命令操作：  
> 2.1 最简单的使用：nvidia-smi (前提是你的电脑或者实验集群有Nvidia GPU)，出现下图，箭头处就是：  
> ![在这里插入图片描述][20200407104003298.png]  
> 2.2 或者使用 cat /proc/driver/nvidia/version 来查看  
> ![在这里插入图片描述][20200407104127806.png]  
> 3） 得到自己的CUDA Driver Version之后就可以根据 第一步进行选择CUDA Runtime Version了【**这里注意，CUDA的具体安装就不详细介绍了，一般来说如果是学生党使用的学校的集群，需要root权限，如果没有root权限这个就先放弃吧，就算有权限，你也要小心点，哪里装的不对，影响了整个环境，那估计就是自找麻烦了，最稳妥的是向导师或者集权管理员申请安装配置相应的环境。当然如果自己的电脑就随意操作啦**】  
> 4）这里还有个小点，因为官方文档需要的是安装 torch0.4.1，所以在安装之前最好看看pytorch官网上torch和CUDA版本的对应情况[点击查看][Link 3]，根据下图我们可以看出，0.4.1的torch支持的CUDA最高位 9 所以你也不能装太高的 CUDA Runtime Version，尽量为 9.0或者 9.2就行了  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 1]  
> 第三个命令为安装 opencv-python，这个直接运行一般也没错误。

##### 1.4 安装其他所需包 #####

> pip install pyyaml yacs tqdm colorama matplotlib cython tensorboardX  
> 这个一般来说也不会出错，除非有时候网络有异常，如果网络错误，多试几次就行了。

##### 1.5 编译过程 #####

> 下载源代码[源码链接][Link 1]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 2]  
> 下载下来就是个文件夹，由于我使用的是远程集群，所以，在windows上下载完文件后，更改一些程序，然后上传到集群，当然你也可以通过git在Linux下直接进行下载。下载后，目录为：  
> ![在这里插入图片描述][20200407113258764.png]  
> 运行命令： python setup.py build\_ext --inplace 进行编译，如果出现问题，大多数情况下是GCC编译器问题，可以借鉴我的一篇博文[链接][Link 4]进行安装配置。  
> 一般来讲只要你的GCC没问题，编译就不会有问题的，编译后会发现多了一个 build文件夹：  
> ![在这里插入图片描述][20200407113723946.png]  
> 【注】在官方文档上有个  
> bash install.sh /path/to/your/conda pysot  
> 这个命令是个脚本，我们可以打开install.sh看到里面的内容就是我们以上的步骤，/path/to/your/conda pysot 是箭头部分的参数，即我们的Anaconda目录和名字  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 3]

##### 1.6 以上就是Linux下的所有的配置过程了，工程配置结束，我们需要测试demo看看是否配置可用。 #####

###### 这里主要分为三步就行了 ######

> 1 命令行直接键入 export PYTHONPATH=/path/to/pysot:$PYTHONPATH，将pysot文件夹加入到 python搜索路径，可以通过以下命令测试,看到有pysot的文件夹就说明引入成功了  
> import sys  
> print(sys.path)  
> ![在这里插入图片描述][20200407115416511.png]  
> 2 点击源码主页[链接][Link 1]的PySot Model Zoo，到达以下页面，我们直接用百度云进行下载模型就行，注意模型文件中的config.yaml是比较旧的，尽量使用代码中对应模型的config.yaml文件：  
> ![在这里插入图片描述][20200407115607154.png]  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 4]  
> 3 将下载后的model.path放在 experiments下面对应模型的文件夹下，然后运行测试Demo:

python tools/demo.py \
        --config experiments/siamrpn_r50_l234_dwxcorr/config.yaml \
        --snapshot experiments/siamrpn_r50_l234_dwxcorr/model.pth
        # --video demo/bag.avi # (in case you don't have webcam)

> 如果成功了，就是有一个窗口，先自行标注个跟踪框后，模型自动会随着视频移动而跟踪对象。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 5]

##### 1.7 接下来就是下载数据集进行训练，官网提供了如下的数据集，数据集直接在其对应的数据集文件夹内处理 下载就行： #####

**![加粗样式][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 6]**

> 数据集处理好后，就可以进行训练了，当你是单节点，单GPU时，可以用以下的命令进行操作：
> 
> 1 CUDA\_VISIBLE\_DEVICES=0 \# change your cuda visible devices here  
> 这句话主要是声明可见的CUDA，0为单个GPU时的默认值  
> 2 python -m torch.distributed.launch --nproc\_per\_node=1 --master\_port=2333 …/…/tools/train.py --cfg config.yaml  
> 注意这个目录是在 experiments/siamrpn\_r50\_l234\_dwxcorr 这个文件夹下进行执行的。

【以上就是Pysot代码在Linux的配置和训练过程，关于其他细节可以具体看官网！！Windows系统配置细节，下篇博文会有介绍】

[Link 1]: https://github.com/STVIR/pysot
[20200407095725363.png]: /images/20230528/0c93fbbdef5c43acb02cdb29f4d7f229.png
[Install]: https://github.com/STVIR/pysot/blob/master/INSTALL.md
[20200407100228788.png]: /images/20230528/f6b8bf9babae4892b4731946b1002a61.png
[2020040710130692.png]: /images/20230528/d0068a6dd96f4ee39ab2ddc4610da6ef.png
[Link 2]: https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70]: /images/20230528/ddd2dcb321d546b09702435a16ee9acd.png
[20200407104003298.png]: /images/20230528/2f75b74f4490426ea2d9edc5797b6cc0.png
[20200407104127806.png]: /images/20230528/46323c771e044f10835d0f3e0e88c62c.png
[Link 3]: https://pytorch.org/get-started/previous-versions/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 1]: /images/20230528/ab7918610499485cbbcba105ce8b72b0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 2]: /images/20230528/def5221079e7493a9ca8baec66ddef56.png
[20200407113258764.png]: /images/20230528/31ac11ee73874b7d8127a378c8818b7f.png
[Link 4]: https://blog.csdn.net/qq_29750461/article/details/104885031
[20200407113723946.png]: /images/20230528/8b32a77cd11747c18fb174627ac4d70f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 3]: /images/20230528/f5842f39837848cc9279ccc3ca6a3adc.png
[20200407115416511.png]: /images/20230528/267d92dbcce1408e81aeca3c20be435f.png
[20200407115607154.png]: /images/20230528/8bcad4d54759474da33dec375ea96a6d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 4]: /images/20230528/7707f341ad6e4698a59d8d31aec36895.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 5]: /images/20230528/f3f5729961c34bcca9d74d53f3fb9ceb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI5NzUwNDYx_size_16_color_FFFFFF_t_70 6]: /images/20230528/b38826d3fee343fbb546a33364ce09da.png