github地址：https://github.com/Duankaiwen/CenterNet
论文：https://arxiv.org/abs/1904.08189
1、在github上下载，配置好环境。
2、准备数据
把自己的数据转化为coco的格式，网上有很多工具可以下载使用。我的数据是yolo格式的，需要的话可以提供我的yolo to coco的代码。yolo to coco数据转化小工具：https://github.com/surserrr/yolo_to_coco （随手star啦谢谢～～
数据分成train和val。 图片文件夹名字改为trainval2014和minival2014，放到CenterNet-master/data/coco/images中； json文件名为instances_trainval2014.json和instances_minival2014.json，放到CenterNet-master/data/coco/annotations中。
注意：如果你在训练之前，用coco数据集测试了模型，那么把CenterNet-master/cache/coco_minival2014.pkl删掉！如果没有训练过就忽略。（因为你在第一次运行的时候，代码会把coco数据的instances转化为它要用的格式，下一次用的时候就会直接读取。如果你没删掉，但你训练自己的数据集的时候，模型在val的时候会自动读取已经存在的coco的数据）
3、修改参数。
我数据集的类别只有1类，GPU1个。
必须修改的参数：
1）models/CenterNet-52.py或者models/CenterNet-104.py(看你要训练哪一个模型，下面省略)，中第132行 out_dim =80 ==> out_dim =1 (类别数)
2）config/CenterNet-52.py第4行 "batch_size":48 ==> "batch_size": 6 (我的显卡是Titan X ，按自己的显存设置，可以设置了试一下，运行的时候如果溢出了，再改小。)
3) config/CenterNet-52.py第22行 "chunk_size": [6,6,6,6,6,6,6,6] ==> "chunk_size": [6] 。chunk_size长度是gpu数量，chunk_size的sum是batchsize。原文的环境是8块显卡，batchsize48，每块显卡分配batchsize 6 。 我只有一块显卡，所以设置为[6]。 如果你有两块显卡，batchsize是12，那么chunk_size为[6,6]；如果你一块显卡，batchsize是2，那么chunk_size为[2].
4) config/CenterNet-52.py第45行 “categories":80 ==> “categories":1 （类别数）
5）db/detection.py 第8行self._configs[ “categories"] =80 ==> self._configs[ “categories"] = 1 (类别数)
6）db/coco.py 第47行 self._cat_ids 改为 self._cat_ids = [1] （看你有几个类别）
7）db/detection.py 第72行 num_classes=81 ==> num_classes=2 （类别数+1）
选择修改的参数：
config/CenterNet-52.py中 18行 -20行
"max_iter": 40000, #迭代次数
"stepsize": 10000, #learning rate下降次数
"snapshot": 1000, #模型每隔snapshot保存一次4、训练
python train.py CenterNet-52就可以训练啦，30小时以后看看训练效果怎么样。
5、更新
失败了。。。上面的训练是没有问题的。
失败的原因是和我的数据集不合适。
CenterNet的核心就是预测角点，再预测中心点，判断中心点和角点是不是一个类型来确定这个检测框对不对。。。
但是我的数据集是一个在刚体表面检测划痕的，，划痕和普通检测还是又不一样，可能这个划痕根本没有穿过中心点，所以上述的约束条件就很难了。。失败了。不过还是从这个论文里学到了。
之前有了解过一段时间的人体姿态检测，一直觉得bottom-up的方法比up-down的方法要高超，现在检测出的一系列基于keypoint的，其实和姿态检测里bottom-up差不太多。。如果有条件的话真想好好研究一下。
