训练用的服务器的芯片一般都是X86架构的，所以可以直接从hub.docker.com上拉个安装了pytorch的镜像下来作为训练用的环境，省去了很多安装步骤，例如拉取pytorch/pytorch:1.2-cuda10.0-cudnn7-devel(注意一般不要使用runtime镜像，runtime镜像里面只安装了最小的支持环境，很多工具都没安装，devel镜像一般是比较全面的):
docker pull pytorch/pytorch:1.2-cuda10.0-cudnn7-devel
然后创建容器:
nvidia-docker run -it --ipc=host --name pytorch1.2-efficientdet -v /home/xsrt/AI/work_pytorch:/workspace -p 8190:8190 pytorch/pytorch:1.2-cuda10.0-cudnn7-devel bash
设置对中文字符集的支持:
vi ~/.bashrc
export LANG="C.UTF-8"
重启容器并再次连到容器，然后在容器内安装工具和支持包:
apt-get update
apt-get install vim
apt-get install libglib2.0-dev libsm6 libxrender1 libxext6
pip install cython matplotlib opencv-python
安装cocoapi：
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
make
python setup.py install --user
在容器里下载源码(github上有多个EfficientDet的实习代码，最初试用了star最多的https://github.com/toandaominh1997/EfficientDet.Pytorch，但是发现训练时很多时候不能收敛，loss值稀奇古怪的震荡甚至爆炸(非常大的值，大到超10亿以上，夸张吧)，感觉代码实现有问题，看了下里面的comments，有人遇到了同样的问题，有人推荐使用signatrix这个稳定的版本，于是改用下面的代码，果然很好，使用d0/d1级别模型训练过程中，loss值稳定下降，没有出现toandaominh1997那个版本的奇怪的震荡和爆炸):
git clone https://github.com/signatrix/efficientdet.git
但是使用这个版本后发现它只支持d0/d1级(对应的backbone网络EfficientNet是b0/b1)的模型，对2-7级别不支持，此外对更强悍的adv-efficientnet也不支持，改成其他级别训练时会报错(错误在后面贴出来)，而且它每次装载预训练模型总是远程从国外网上加载，会很慢，train.py里的某些参数也不全，使用起来不灵活，例如模型训练中途中断后没有可以resume的机制，为了解决这些比较严重的问题，我花了几天时间琢磨并修改了它的源码，把这些问题逐一解决了，并且使用修改后代码进行了训练，现在非常稳定好用，可以使用b0-b7或adv b0-b8任一级别的backbone模型进行训练，我的代码提交在 https://github.com/arnoldfychen/efficientdet，国内的gitee上有同步了的镜像版本https://gitee.com/arnoldfychen，一般来说使用gitee速度远比github快。
下载源码:
git clone https://gitee.com/arnoldfychen/efficientdet.git
继续安装支持包：
cd efficientdet
pip install -r requirements.txt
将自己的coco数据集和网上下载的预训练模型放到相应位置（../EfficientDet/pretrained_models里存放了从https://github.com/lukemelas/EfficientNet-PyTorch/releases下载的全部预训练模型）：
ln -s /workspace/CenterNet/data data
cp -r ../EfficientDet/pretrained_models .
下面根据自己的GPU环境和数据集等情况对源码做修改:
1)可能需要对train.py里下列设置和参数根据实际情况和需要做修改:
os.environ['CUDA_VISIBLE_DEVICES']='3,4,5,6'
parser.add_argument("--image_size", type=int, default=512, help="The common width and height for all images")
parser.add_argument("--batch_size", type=int, default=3, help="The number of images per batch")
parser.add_argument("--num_epochs", type=int, default=300)
parser.add_argument("--test_interval", type=int, default=1, help="Number of epoches between testing phases")
parser.add_argument("--data_path", type=str, default="data/coco", help="the root folder of dataset")
parser.add_argument("--saved_path", type=str, default="trained_models")
parser.add_argument("--save_interval", type=int, default=10, help="Number of epoches between two operations for saving weights")
parser.add_argument('--backbone_network', default='efficientnet-b7', type=str,
help='efficientdet-[b0, b1, ..]')
parser.add_argument('--remote_loading', default=False, type=bool,
help='if this option is enabled, it will download and load the backbone weights from https://github.com/lukemelas/EfficientNet-PyTorch/releases,'+ \
'otherwise,load the weights locally from ./pretrained_models')
parser.add_argument('--advprop', default=True, type=bool,
help='if this option is enabled, the adv_efficientnet_b* backbone will be used instead of efficientnet_b*')
2) src/config.py里的COCO_CLASSES=['fire']
3)src/dataset.py里的:
def num_classes(self):
#return 80
return 1
4)根据情况修改test_dataset.py：
parser.add_argument("--image_size", type=int, default=512, help="The common width and height for all images")
parser.add_argument("--data_path", type=str, default="data/coco", help="the root folder of dataset")
parser.add_argument("--cls_threshold", type=float, default=0.5)
parser.add_argument("--nms_threshold", type=float, default=0.5)
parser.add_argument("--pretrained_model", type=str, default="trained_models/fire/signatrix_efficientdet_coco_latest.pth")
parser.add_argument("--output", type=str, default="predictions")
5)根据情况修改mAP_evaluation.py:
if __name__ == '__main__':
efficientdet = torch.load("trained_models/fire/signatrix_efficientdet_coco_latest.pth").module
efficientdet.cuda()
dataset_val = CocoDataset("data/coco", set='val2017',
transform=transforms.Compose([Normalizer(), Resizer()]))
evaluate_coco(dataset_val, efficientdet)
然后就可以执行下面的命令进行训练:
python -u train.py
训练结束后，执行下面的命令进行测试和mAP值评估(最后一次生成的best模型和latest模型都可以试验一下看哪个效果更好):
python -u test_dataset.py
python -u mAP_evaluation.py
附：
1. 使用https://github.com/signatrix/efficientdet 这个代码，如果backbone不是efficientnet-b0或efficientnet-b1，会报下面的错误之一:
#b2-3
Caught RuntimeError in replica 0 on device 0.
Original Traceback (most recent call last):
File "/opt/conda/lib/python3.6/site-packages/torch/nn/parallel/parallel_apply.py", line 60, in _worker
output = module(*input, **kwargs)
File "/opt/conda/lib/python3.6/site-packages/torch/nn/modules/module.py", line 547, in __call__
result = self.forward(*input, **kwargs)
File "/workspace/efficientdet/src/model.py", line 259, in forward
p3 = self.conv3(c3)
File "/opt/conda/lib/python3.6/site-packages/torch/nn/modules/module.py", line 547, in __call__
result = self.forward(*input, **kwargs)
File "/opt/conda/lib/python3.6/site-packages/torch/nn/modules/conv.py", line 343, in forward
return self.conv2d_forward(input, self.weight)
File "/opt/conda/lib/python3.6/site-packages/torch/nn/modules/conv.py", line 340, in conv2d_forward
self.padding, self.dilation, self.groups)
RuntimeError: Given groups=1, weight of size 64 40 1 1, expected input[3, 48, 64, 64] to have 40 channels, but got 48 channels instead
#b4
RuntimeError: Given groups=1, weight of size 64 40 1 1, expected input[3, 56, 64, 64] to have 40 channels, but got 56 channels instead
#b5
RuntimeError: Given groups=1, weight of size 64 40 1 1, expected input[3, 64, 64, 64] to have 40 channels, but got 64 channels instead
#b6
RuntimeError: Given groups=1, weight of size 64 40 1 1, expected input[3, 72, 64, 64] to have 40 channels, but got 72 channels instead
#b7
RuntimeError: Given groups=1, weight of size 64 40 1 1, expected input[3, 80, 64, 64] to have 40 channels, but got 80 channels instead
原因是里面有网络层的out-input之间的shape对不上，使用我修改过的代码:https://gitee.com/arnoldfychen/efficientdet即可。
2.如果发生out of memory 错误，根据你的GPU的内存大小调小batch_size参数。
