供自己参考学习，如有问题，欢迎交流指正！

  首先实验室服务器上有安装好的anaconda以及pytorch1.0和cuda。自己首先找管理员申请一个账号，根据账号密码进入自己的账号文件夹下面。

1、远程连接服务器ssh(VScode)

• 安装remote-ssh插件
  
• 新建一个远程连接，随便输入一个名字回车(假如测试)
  
• 选择打开config文件，显示如图
  
  
• 修改Host为随便一个名字，HostName为服务器的IP地址，下面User为自己在服务器的用户名
  
• 右键选择第一个，然后会提示输入自己的服务器账号密码，就可以连接服务器了
  
• 最终就可以在本地修改服务器上的文件，并用服务器GPU运行自己的模型，也可以在服务器存储自己的东西。
  

2、模型代码数据准备

注意所有文件路径和命名都要按照步骤来，因为模型代码已经规定好了数据的文件路径结构。另外数据集和预训练模型比较大，且下载需要科学上网，博主在放一下自己网盘里下载好的文件。

链接：https://pan.baidu.com/s/1icSxvO5PGRNYXBpmmP67AA 
提取码：rsus 

• 来源于github上比较火的一个fasterrcnn模型。
  模型下载链接：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0
• 然后将自己下载的模型文件复制到自己的服务器文件夹下面，或者直接git clone。
  
• 进入模型文件夹新建一个data文件夹

cd faster-rcnn.pytorch-pytorch-1.0 && mkdir data

• 进入data文件夹，用下面的命令下载VOC2007标准数据集数据，或者直接在http网页下载后放到data文件夹中。

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

• 解压数据集，下面三行命令一起使用，不要单独输入，解压后文件会统一生成在data下的VOCdevkit文件夹中。

tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

• 然后将VOCdevkit文件夹名字改为VOCdevkit2007，或者用如下命令建立软连接(注意-s后面是VOCdevkit的绝对路径)

ln -s /faster-rcnn.pytorch-pytorch-1.0/data/VOCdevkit VOCdevkit2007

• 接下来在data下创建子文件夹pretrained_model，下载预训练模型VGG16，ResNet101后放到pretrained_model文件夹中.
  VGG16预训练模型链接：https://www.dropbox.com/s/s3brpk0bdq60nyb/vgg16_caffe.pth?dl=0
  ResNet101预训练模型链接：https://www.dropbox.com/s/iev3tkbz5wyyuz9/resnet101_caffe.pth?dl=0

• 最终的文件结构是：
  

3、环境准备

• 在命令行中使用conda创建一个自己的虚拟环境（gaobin_py3.6 是自己的虚拟环境名，python==3.6是自己用的python版本）

conda create -n gaobin_py3.6 python==3.6

• 然后进入自己的虚拟环境

conda activate gaobin_py3.6

效果如下图，如果前面没有base或者自己环境名，建议首先conda init初始化一下。

• 然后安装自己需要的的环境，首先我们看github作者建议的准备环境，在创建虚拟环境时我们已经设置了python3.6，然后conda list看看自己的虚拟环境里有没有pytorch，如果没有，在这个pytorch网站(https://pytorch.org/get-started/previous-versions/)寻找对应于版本的安装命令，因为cuda是向下兼容的，我们的服务器装的是cuda11.4，用 nvidia-smi可以查看安装的cuda信息，所以我用的下图中这个命令，实测可以用，安装结束之后，记得conda list再检查一下有没有安装好pytorch。
  
  
• 然后回到faster-rcnn.pytorch-1.0文件夹下面安装python依赖的包

pip install -r requirements.txt

• 然后进入lib文件夹编译cuda的环境

cd lib
python setup.py build develop

在这一步或者训练的的时候运行可能会遇到两个问题
（1）cannot import name ‘_mask’
这时候是pycocotools这个包出问题了，我重新安装了一下pip install pycocotools就好了，但网上还有很多下载cocoapi解决问题的，后续遇到可以试试。
（2）can’t import ‘imread’
这是scipy的版本问题，具体啥版本我忘了，用pip install scipy==1.2.1重新安装一个1.2.1版本就解决了。

4、训练、测试和demo运行(这里用的res101预训练模型)

• 运行trainval_net.py文件，下面第一个是运行命令说明，第二是我自己用的命令，要注意自己的GPU编号和预训练的模型，其余参数github上作者有建议参数，我们只跑的是VOC2007数据集。

 CUDA_VISIBLE_DEVICES=$GPU_ID python trainval_net.py \--dataset pascal_voc --net vgg16 \--bs $BATCH_SIZE --nw $WORKER_NUMBER \--lr $LEARNING_RATE --lr_decay_step $DECAY_STEP \--cuda          

CUDA_VISIBLE_DEVICES=1 python trainval_net.py --dataset pascal_voc --net res101--bs 1 --nw 4  --cuda --epochs 5

运行结束后，如果没有自己制定模型文件夹，faster-rcnn.pytorch-pytorch-1.0文件夹下就会出现一个models文件夹，文件夹结构如下：(文件里名字后面包含的31应该是2504，这个和数据集大小有关，这个31是我自己后面自己的数据集训练出来的)

• 测试VGG16，ResNet101预训练模型训练出来的模型在在pascal_voc测试集上的表现，使用以下命令，第一个是运行命令说明，第二是我自己用的命令(具体参数的意思之后再学习)。

python test_net.py --dataset pascal_voc --net vgg16 \--checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \--cuda

python test_net.py --dataset pascal_voc --net res101 --checksession 1 --checkepoch 20 --checkpoint 2504 --cuda

• 运行demo.py，image中是运行要跑的图片，如果想跑自己的图片，替换就行，如果训练时没有改变路径，那么按照如下命令直接运行。第一个是运行命令说明，第二是我自己用的命令，

python demo.py --net res101 \--checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \--cuda --load_dir + 模型存放文件夹

python demo.py --net res101--checksession 1 --checkepoch 20 --checkpoint 2054               --cuda --load_dir models

如果训练时改变了模型存储路径，要修改–load_dir 的参数，比较麻烦不好修改，或者保持和models下一样的文件结构models/res101/pascal_voc

注意这里可能出现如下错误：

显示缺少参数，这个问题是yaml版本问题，可以conda install pyyaml==5.4.1重新安装一个低版本的yaml就行了。

• 效果：(其中某一张图，检测结果的图片比原图名字多加了"_det"，注意区分)
  

5、训练自己的数据

• 自己的数据结构保持和VOC2007一致，为了方便，直接删掉标准数据集的数据，复制进去自己的在如下第三个红框的位置。这里可以准别好JPEGImages文件夹的照片数据和Annotations文件夹的标签数据，然后自动生成训练集和测试集的文件，参考这篇博客：Faster-RCNN.pytorch的搭建、使用过程详解（适配PyTorch 1.0以上版本）。
  

• 修改/lib/datasets/pascal_voc.py(大约在代码48行左右)里的检测类别：
  原始的检测类别是：

self._classes = ('__background__',  # always index 0'aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair','cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant','sheep', 'sofa', 'train', 'tvmonitor','plane')

改为自己的，我这里只有一类：

self._classes = ('__background__',  # always index 0'thyroid')

• 按照上述同样的方法修改demo.py（(大约在代码170行左右)）中的类别。
• 训练、测试、运行自己的数据跑的结果

CUDA_VISIBLE_DEVICES=0 python trainval_net.py --dataset pascal_voc --net res101 --bs 4 --nw 0 --lr 0.001 --lr_decay_step 5 --cuda

python test_net.py --dataset pascal_voc --net res101  --checksession 1 --checkepoch 20 --checkpoint 31 --cuda

python demo.py --net res101 --checksession 1 --checkepoch 20 --checkpoint 31          --cuda --load_dir models