PySOT调试
目录
*
– 零、准备工作
– 一、使用PySOT进行训练
– 二、使用PySOT进行测试与评估
– 三、使用多卡训练
– 附：
零、准备工作
文件下载：
注：详细见代码中的ReadMe部分，另外，以上文件除了数据集，我都保存至百度云盘 提取码：c215
数据集处理：
以VID数据集为例，将文件名进行对应的修改，并将VID/val移动到train的文件夹下。
Annotations/VID/train/ILSVRC2015_VID_train_0000 改为Annotations/VID/train/a
Annotations/VID/train/ILSVRC2015_VID_train_0001 改为Annotations/VID/train/b
Annotations/VID/train/ILSVRC2015_VID_train_0002 改为Annotations/VID/train/c
Annotations/VID/train/ILSVRC2015_VID_train_0003 改为Annotations/VID/train/d
Annotations/VID/val 修改并移动Annotations/VID/train/e
Data/VID/train/ILSVRC2015_VID_train_0000 改为Data/VID/train/a
Data/VID/train/ILSVRC2015_VID_train_0001 改为Data/VID/train/b
Data/VID/train/ILSVRC2015_VID_train_0002 改为Data/VID/train/c
Data/VID/train/ILSVRC2015_VID_train_0003 改为Data/VID/train/d
Data/VID/val 修改并移动Data/VID/train/e
准备好数据集后，依次运行training_dataset/vid下的 python文件：
parse_vid.py
// 注意修改VID文件路径 VID_base_path，另外若不修改保存位置，则对应的文件都保存在 parse_vid.py所在文件夹下。
par_crop.py
// 进行图片的剪切，若使用服务器进行多进程操作，会很快。我在本地剪切完数据大概用了300min，另外，生成的内容大概有72G，在当前文件路径下的crop511文件夹下，所以要注意适当更改路径。
gen_json.py
// 生成相应的 JSON文件，同样也是注意读取和保存文件路径。
在数据集处理过程中需要注意的是，在windows下和Linux的路径表示和 os.path.join方法是不同的，因此在对文件名称进行路径分割是不同的，在Linux下路径使用 ./进行划分，因此在 parse_vid.py的第44行使用的是 /进行划分。在WIndows下使用 .\或者是 //进行路径的划分，因此在进行路径分割时要修改对应的分割标志。路径分割不对时会导致第三步生成的JSON文件存在问题，以至于在train时加载数据过程中 dataset.py的第45行出错 has no frames。
一、使用PySOT进行训练
- 修改pysot/core/config.py文件
如果是对单个数据集进行训练，将DATASET.NAMES修改为单个数据集，同时将暂不使用的数据集的配置注释掉，如单独使用VID数据集时修改为如下：
__C.DATASET.NAMES = ['VID']
__C.DATASET.VID = CN()
__C.DATASET.VID.ROOT = '/home/user2/Documents/dataset/ILSVRC2015/croped'
__C.DATASET.VID.ANNO = '/home/user2/Documents/dataset/ILSVRC2015/train.json'
__C.DATASET.VID.FRAME_RANGE = 100
__C.DATASET.VID.NUM_USE = 100000
- 修改experiments/./config.yaml
在训练过程中，若需要加入预训练模型，则在对应的实验文件夹下的config.yaml文件，将PRETRAINED后面参数修改为存放预训练模型的路径。
注：对于各个实验文件夹alex表示使用 AlexNet，r50_lxyz表示使用 ResNet50网络的不同阶段的输出，mobilev2表示使用 MobileNetV2。dwxcorr表示逐通道的深度互相关。otb代表 OTB数据集，lt表示 VOT long-term tracking challenge。不带后缀的为 VOT short-term tracking challenge。
- 训练
将config.yaml文件路径添加到train.py代码中38行，修改—cfg的默认参数。在config.yaml文件中：
RPN：
TYPE：'DepthwiseRPN'
TYPE：'MultiRPN'
MASK:
MASK:True
- 对于多卡和单卡训练
这块参考作者的说明文档，我是用的单卡训练。
二、使用PySOT进行测试与评估
准备OTB和VOT数据集：
JSON文件：百度云盘
我将对应的处理好的数据集保存在百度云盘中：
VOT2018 提取码：yo34
OTB100(OTB2015) 提取码：j6sy
- OTB数据集
需要将CVRP13.json,OTB100.json,OTB50.json文件放在OTB数据集下。此外，需要将Jogging文件复制为Jogging-1和Jogging-2，将Skating2复制为Skating2-1和Skating2-2。文件夹架构如下：
| -- OTB100/
| -- Basketball
| ......
| -- Woman
| -- OTB100.json
| -- OTB50.json
| -- CVPR13.json
- VOT数据集
将VOT2018.json文件放在VOT2018文件夹下，整体文件夹内容如下：
|--VOT2018/
|--annotions
|--ants1
|--color
|--00000...jpg
...
|--groundtruth.txt
...
|--ants3
...
|--zebrafist1
|--VOT2018.json
测试：
tools/test.py
--dataset
--config
--snapshot
dataset_root
确认好以上文件的路径，然后运行基本上没什么问题。
测试OTB100：
测试VOT2018:
测试完成之后，默认在tools文件夹下生成一个result文件夹，下面存放在不同测试集上的测试结果：
评估：
tools/eval.py
--tracker_path
--dataset
--tracker_prefix
root
确认以上路径后，运行即可。
SiamRPN++在OTB100下评估结果：
SiamRPN++在VOT2018下评估结果：
三、使用多卡训练
最近想尝试多卡训练，参考作者给出的教程，我教研室的服务器是一台机器4张RTX2080Ti的配置，其中课题组同学用了两张，因此只剩下两张卡，所以我进行多卡训练时依次使用以下命令：
conda activate pysot
export PYTHONPATH=[your code path]:$PYTHONPATH
cd experiments/siamrpn_r50_l234_dwxcorr_8gpu
CUDA_VISIBLE_DEVICES=2,3 python -m torch.distributed.launch --nproc_per_node=2 --master_port=2333 ../../tools/train.py --cfg config.yaml
目前已经将PySOT的代码调通，并可以进行训练。
附：
PySOT代码调试起来比较简单，我一开始使用的是Window系统，所以很多路径问题得注意。还有就是对数据的预处理部分，默认生成的数据是在当前的training_dataset下具体数据集名称的文件夹下，导致整个工程很大，所以我对数据集的保存位置进行了修改。在服务器有空余的显卡后，我又将程序同步到服务器，在本地使用Pycharm进行远程调试，并将文件的路径做了相应的修改，因此很快就调通了。
按照作者给出的模型，最后评估的结果和文章上给出的结果还是存在一定的差距，目前这是比较困惑我的地方。
Original: https://blog.csdn.net/qq_30287833/article/details/124181413
Author: Brilliant Cheng
Title: PySOT调试
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/708993/
转载文章受原作者版权保护。转载请注明原作者出处！