參考文獻：
https://zhuanlan.zhihu.com/p/86340957
https://zhuanlan.zhihu.com/p/354842740
https://www.guyuehome.com/39798
https://zhuanlan.zhihu.com/p/40271319

1，配置環境

conda create -n avod python=3.5 conda install tensorflow-gpu=1.3.0 conda install matplotlib conda install -c conda-forge opencv conda install pandas conda install pillow conda install scipy pip3 install -U scikit-learn

1.1 解決conda install py-opencv 時出現 failed with initial frozen solve. Retrying with flexible solve 的問題

pip3 install --upgrade pippip install opencv-python

1.2 import tensorflow TypeError: init() got an unexpected keyword argument 'serialized_options

conda remove tensorflow-gpu pip uninstall tensorflow conda install tensorflow-gpu=1.3.0

重裝tensorflow，版本沖突

2，下載代碼編譯代碼

代碼地址：https://github.com/Qin-xs/avod_Re

2.1 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

conda activate avod cd src cmake .. make

2.2 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。

3 配置環境

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 vim ~/.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=$PYTHONPATH:'/home/siat/project/project_detect/avod_Re/wavedata' export PYTHONPATH=$PYTHONPATH:'/home/siat/work/object_detection/avod_Re-master'

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

source ~/.bashrc conda activate avod

4, 準備數據集

4.1 下載數據集

https://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

4.2 下載附加文件

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
下載地址為：https://drive.google.com/drive/folders/1yjCwlSOfAZoPNNqoMtWfEjPCfhRfJB-Z

4.3 整理數據目錄

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。

mkdir -p ~/Kitti/object/

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

終端會顯示下面的圖像

6，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'

終端會顯示以下圖像：

在我的電腦配置下需要執行十幾個小時左右，跑一晚上就好了，我的電腦GPU型號是：GTX 3090

7，驗證

執行如下命令：

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

如果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
第一種解決方法：
在avod/configs/pyramid_cars_with_aug_example.config 里面將pyramid_cars_with_aug_example/改為pyramid_cars_with_aug_example/checkpoints/
失敗

第二種解決方法：
將avod/core/evaluator.py #449 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

conda install -c conda-forge tensorboard cd avod/data/outputs/pyramid_cars_with_aug_example tensorboard --logdir logs

7.2 TensorFlow錯誤：TypeError: init() got an unexpected keyword argument ‘serialized_options’

問題其實很簡單，TensorFlow和protobuf的版本不匹配，

pip install -U protobuf

7.3 AttributeError: module ‘tensorflow.python.estimator.estimator_lib’ has no attribute ‘SessionRunHook’

問題其實很簡單，TensorFlow和tensorboard的版本不匹配，

tensorboard 1.15.0
tensorflow 1.3.0

pip uninstall tensorboard pip install tensorboard==1.11.0

居然成功

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）

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'

9, 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AVOD代码复现的全部內容，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。