復現過程主要參考https://zhuanlan.zhihu.com/p/87136172 這位博主

之前跟著官方github（https://github.com/kujason/avod）
環境一直配置不好，之后直接使用博主提供的yaml配置文件，之后進行略微調整即可

與博主不同的是，我使用的系統是CentOS。

我把博主的文章搬過來：

一、環境搭建
我使用的系統是ubuntu 16.04，用anaconda搭建的虛擬環境，至于anaconda在ubuntu上怎樣安裝，大家可以自己在網上查，教程很多。

安裝完anaconda以后，anaconda中搭建avod運行環境有兩種方法：

（注意，這兩種方法選擇一種就可以，別兩種全做了）

使用我導出的環境配置復制環境
anaconda 可以把當前環境所裝的軟件導出到一個配置文件中，有了這個配置文件，就可以在別的電腦上通過導入配置文件的的方式讓ananconda自動安裝該環境中所有的軟件。

具體步驟為：

1）下載我導出的配置文件。

文件放在百度網盤里（鏈接：https://pan.baidu.com/s/1s5sUiz6XXlIa1WCJJ065uA， 提取碼：fciq），文件名稱是avod.yaml

2）導入配置文件，復制環境

在終端進入avod.yaml配置文件所在的文件夾，輸入下面的命令即可完成環境復制。復制過程中會下載和安裝軟件，耐心等它安裝完就行。

conda env create -f avod.yaml

單獨安裝各個軟件
具體步驟為：

1）創建anaconda環境

在終端輸入如下指令

conda create -n avod python=3.5

2）按順序安裝軟件

按順序逐行執行以下命令就行

conda install tensorflow-gpu=1.3.0 conda install matplotlib conda install py-opencv conda install pandas conda install pillow conda install scipy conda install sklearn

---------------重要的分割線---------------

最后別忘了進入創建好的環境，再執行后面的操作，進入環境的指令為

conda activate avod

二、下載代碼并配置工程

下載代碼
代碼可以使用原作者的代碼，也可以使用我注釋的代碼，注釋內容暫時還不多，會持續更新。

1）使用原作者代碼

下載鏈接：https://github.com/kujason/avod

下載之后別忘了執行指令下載依賴庫，指令為：

git submodule update --init --recursive

2）使用注釋版代碼

下載鏈接：https://github.com/Little-Potato-1990/avod_Re
（這里我依然使用原作者的代碼，沒有使用注釋版代碼，主要原因是下載不下來）
2. 編譯代碼
代碼中需要編譯的有兩項：

1）wavedata依賴庫

它的目錄在 wavedata/wavedata/tools/core/lib 中，在lib文件夾下按順序執行下列指令

cmake src make

2）protobuf文件

protobuf是google的一個開源的用來做數據通信的庫，關于它的介紹大家有興趣可以去網上查。在avod/protos文件中有很多.proto文件，這些文件定義了通信用的數據內容和格式，但是想在程序中使用他們，得使用protobuf對他們進行編譯，給每個.proto文件生成一個python文件。編譯也很簡單，執行下面一條指令就行

protoc avod/protos/*.proto --python_out=.

執行中之后會提示你有語法錯誤，不用管他，看avod/protos文件中是否生成了python文件，只要生成了，這一步就可以結束了。

配置環境變量
工程是基于python編寫的，定義了很多模塊，這些模塊之間需要互相調用，但各個模塊又是相對獨立的，所以需要把各個模塊的路徑添加到python的環境變量中，以方便他們之間互相調用。

在終端輸入這條指令打開設置環境變量的文件

sudo gedit ~/.bashrc

在文件的最后輸入添加下面兩行（注意，這里面的路徑是絕對路徑，這是我電腦里的路徑，大家要根據自己電腦的存放路徑來改）

export PYTHONPATH=$PYTHONPATH:'/home/rq/project/project_detect/avod_Re/wavedata' export PYTHONPATH=$PYTHONPATH:'/home/rq/project/project_detect/avod_Re'

配置環境變量以后，為了讓它生效，需要重新打開終端，然后再使用如下指令重新進入anaconda環境

conda activate avod

準備數據集
作者使用KITTI數據集來驗證算法，我們來看下具體的步驟

1）下載數據集

KITTI數據集的下載路徑為：http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

數據不用全部下載，只需要下載下圖中框出的這些就可以

**

**

（這里的數據集，我也沒有在官網上下載，關鍵問題是，下載不下來 我直接用了另一個博主的網盤文件，我拷貝到自己網盤了，鏈接放下面鏈接：https://pan.baidu.com/s/1oI6pT6NVgKoMkpHh6XQxNQ 提取碼：1edi 自取）

**

**
2）下載附加數據文件

這個附加數據文件包括兩部分：

trainval.txt、train.txt、val.txt：這三個文件幫助程序把訓練數據又重新分為訓練集和驗證集
planes：這個是作者自己生成的路面平面擬合參數，它的用處等我們后面講詳細代碼時再講
以上文件我放在了自己的百度網盤里，鏈接： https://pan.baidu.com/s/1s5sUiz6XXlIa1WCJJ065uA， 提取碼：fciq（細心的讀者可能已經發現了，和剛才anaconda環境配置文件的鏈接是一樣的，我把它們放在一起了）

3）整理存放目錄

程序讀取文件是按照一定的目錄結構讀取的，它們的目錄結構如下圖：

要注意的是，testing和training中都有image_2、velodyne兩個文件夾，但它們的內容是不同的，分別是測試集和訓練集中的內容，而它們都有的calib、label_2兩個文件夾中的內容是相同的。

object文件夾放在~/Kitti/文件夾中，這是程序默認的，如果不想放這個目錄里，得修改程序，所以我們先不找這個麻煩了，就先放這了。
（博主的數據集結構這個圖搞得特別好，有一點不同的是，我testing文件夾下沒有放label_2）
5. 生成Mini-batch
Mini-batch 是 RPN 所需要的東西，在終端中輸入如下指令即可生成

python scripts/preprocessing/gen_mini_batches.py

執行過程需要幾分鐘，等一等吧。

如果成功，會在avod/data目錄下生成label_clusters和mini_batches兩個文件夾。

訓練
一條指令啟動訓練

python avod/experiments/run_training.py --pipeline_config=avod/configs/pyramid_cars_with_aug_example.config --device='0' --data_split='train'

在我的電腦配置下需要執行24小時左右，我的電腦GPU型號是：GTX 1070Ti
(我的配置是RTX 2080，但是運行到一般服務器斷了，就不想再搞了，繼續下面的吧。)
去忙點別的吧，等訓練完了再過來。

驗證
執行如下指令

python avod/experiments/run_evaluation.py --pipeline_config=avod/configs/pyramid_cars_with_aug_example.config --device='0' --data_split='val'

這時候會提示如下信息

INFO:tensorflow:No new checkpoints found in /home/avod/avod/data/outputs/pyramid_cars_with_aug_example/checkpoints. Will try again in 30 seconds

這是作者的問題，我們在程序里搜索pyramid_cars_with_aug_example，然后把它改成你自己outputs下的真實文件夾名字就行

在我的電腦配置下需要執行30小時左右

接著等吧

執行完以后使用下面的指令調用tensorboard畫出訓練過程中的各個指標的變化趨勢

cd avod/data/outputs/pyramid_cars_with_aug_example tensorboard --logdir logs

注意，這只是調用了tensorboard，輸入指令以后終端會給出如下提示

這告訴我們，如果想看變化趨勢的曲線，需要在瀏覽器中打開終端提示的網址，我的曲線如下圖所示

我們可以看到，里面有rpn_loss、avod_loss等指標的變化趨勢（感覺跳動有點大）

(這里，我們還可以在本地的瀏覽器上進行瀏覽，服務器地址+6006即可。如192.168.a.b:6006，效果見下圖)

（后面的沒有做測試了，后續有時間再說…………）
8. Inference
執行run inference，執行這一步是干啥的，暫時還不清楚

python avod/experiments/run_inference.py --checkpoint_name='pyramid_cars_with_aug_example' --data_split='val' --ckpt_indices=120 --device='0'

查看結果
這一步是生成帶預測框的2d圖片，輸入指令

python demos/show_predictions_2d.py

會生成圖片，自動存放在文件夾avod/data/outputs/pyramid_cars_with_aug_example/predictions/images_2d/predictions/val/120000/0.1中

這里放幾張圖片看下效果吧

到這里，就完成網絡所有的訓練和使用流程了。

總結

以上是生活随笔為你收集整理的复现AVOD的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。