在上一篇文章，我们通过AVOD的论文介绍了它的原理，这一次我们介绍它的代码

代码介绍会分多篇文章进行，本篇文章先介绍怎样搭建环境，把程序run起来，后续的文章会介绍程序的结构和代码的详细内容。

话不多说，进主题

一、环境搭建

我使用的系统是ubuntu 16.04，用anaconda搭建的虚拟环境，至于anaconda在ubuntu上怎样安装，大家可以自己在网上查，教程很多。

安装完anaconda以后，anaconda中搭建avod运行环境有两种方法：

（注意，这两种方法选择一种就可以，别两种全做了）

1. 使用我导出的环境配置复制环境

anaconda 可以把当前环境所装的软件导出到一个配置文件中，有了这个配置文件，就可以在别的电脑上通过导入配置文件的的方式让ananconda自动安装该环境中所有的软件。

具体步骤为：

1）下载我导出的配置文件。

文件放在百度网盘里（链接：pan.baidu.com/s/1s5sUiz， 提取码：fciq），文件名称是avod.yaml

2）导入配置文件，复制环境

在终端进入avod.yaml配置文件所在的文件夹，输入下面的命令即可完成环境复制。复制过程中会下载和安装软件，耐心等它安装完就行。

conda env create -f avod.yaml

2. 单独安装各个软件

具体步骤为：

1）创建anaconda环境

在终端输入如下指令

conda create -n avod python=3.5

2）按顺序安装软件

按顺序逐行执行以下命令就行

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

---------------重要的分割线---------------

最后别忘了进入创建好的环境，再执行后面的操作，进入环境的指令为

conda activate avod

二、下载代码并配置工程

1. 下载代码

代码可以使用原作者的代码，也可以使用我注释的代码，注释内容暂时还不多，会持续更新。

1）使用原作者代码

下载链接：github.com/kujason/avod

下载之后别忘了执行指令下载依赖库，指令为：

git submodule update --init --recursive

2）使用注释版代码

下载链接：github.com/Little-Potat

2. 编译代码

代码中需要编译的有两项：

1）wavedata依赖库

它的目录在 wavedata/wavedata/tools/core/lib 中，在lib文件夹下按顺序执行下列指令

cmake src
make

2）protobuf文件

protobuf是google的一个开源的用来做数据通信的库，关于它的介绍大家有兴趣可以去网上查。在avod/protos文件中有很多.proto文件，这些文件定义了通信用的数据内容和格式，但是想在程序中使用他们，得使用protobuf对他们进行编译，给每个.proto文件生成一个python文件。编译也很简单，执行下面一条指令就行

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

执行中之后会提示你有语法错误，不用管他，看avod/protos文件中是否生成了python文件，只要生成了，这一步就可以结束了。

3. 配置环境变量

工程是基于python编写的，定义了很多模块，这些模块之间需要互相调用，但各个模块又是相对独立的，所以需要把各个模块的路径添加到python的环境变量中，以方便他们之间互相调用。

在终端输入这条指令打开设置环境变量的文件

sudo gedit ~/.bashrc

在文件的最后输入添加下面两行（注意，这里面的路径是绝对路径，这是我电脑里的路径，大家要根据自己电脑的存放路径来改）

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

配置环境变量以后，为了让它生效，需要重新打开终端，然后再使用如下指令重新进入anaconda环境

conda activate avod

4. 准备数据集

作者使用KITTI数据集来验证算法，我们来看下具体的步骤

1）下载数据集

KITTI数据集的下载路径为：cvlibs.net/datasets/kit

数据不用全部下载，只需要下载下图中框出的这些就可以

2）下载附加数据文件

这个附加数据文件包括两部分：

  • trainval.txt、train.txt、val.txt：这三个文件帮助程序把训练数据又重新分为训练集和验证集
  • planes：这个是作者自己生成的路面平面拟合参数，它的用处等我们后面讲详细代码时再讲

以上文件我放在了自己的百度网盘里，链接： pan.baidu.com/s/1s5sUiz， 提取码：fciq（细心的读者可能已经发现了，和刚才anaconda环境配置文件的链接是一样的，我把它们放在一起了）

3）整理存放目录

程序读取文件是按照一定的目录结构读取的，它们的目录结构如下图：

要注意的是，testing和training中都有image_2、velodyne两个文件夹，但它们的内容是不同的，分别是测试集和训练集中的内容，而它们都有的calib、label_2两个文件夹中的内容是相同的。

object文件夹放在~/Kitti/文件夹中，这是程序默认的，如果不想放这个目录里，得修改程序，所以我们先不找这个麻烦了，就先放这了。

5. 生成Mini-batch

Mini-batch 是 RPN 所需要的东西，在终端中输入如下指令即可生成

python scripts/preprocessing/gen_mini_batches.py

执行过程需要几分钟，等一等吧。

如果成功，会在avod/data目录下生成label_clusters和mini_batches两个文件夹。

6. 训练

一条指令启动训练

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

在我的电脑配置下需要执行24小时左右，我的电脑GPU型号是：GTX 1070Ti

去忙点别的吧，等训练完了再过来。

7. 验证

执行如下指令

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

这时候会提示如下信息

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

这是作者的问题，我们在程序里搜索pyramid_cars_with_aug_example，然后把它改成你自己outputs下的真实文件夹名字就行

在我的电脑配置下需要执行30小时左右

接着等吧

执行完以后使用下面的指令调用tensorboard画出训练过程中的各个指标的变化趋势

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

注意，这只是调用了tensorboard，输入指令以后终端会给出如下提示

这告诉我们，如果想看变化趋势的曲线，需要在浏览器中打开终端提示的网址，我的曲线如下图所示

我们可以看到，里面有rpn_loss、avod_loss等指标的变化趋势（感觉跳动有点大）

8. Inference

执行run inference，执行这一步是干啥的，暂时还不清楚

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

9. 查看结果

这一步是生成带预测框的2d图片，输入指令

python demos/show_predictions_2d.py

会生成图片，自动存放在文件夹avod/data/outputs/pyramid_cars_with_aug_example/predictions/images_2d/predictions/val/120000/0.1中

这里放几张图片看下效果吧

到这里，就完成网络所有的训练和使用流程了。