GAIA-det 在windows系统中的测试记录

GAIA-det 为建立在GAIA-cv之上的相关集成训练框架，通过一次训练可提取出多种模型，极大地简化了模型训练的工作量。

• 论文地址：https://arxiv.org/pdf/2106.11346.pdf

• 开源框架：https://github.com/GAIA-vision

• 介绍地址：CVPR 2021 | 视觉目标检测大模型GAIA：面向行业的视觉物体检测一站式解决方案_3D视觉工坊-CSDN博客

在尝试后，本文摸索出了其在win10系统中的运行方法，通过单卡当地网络训练。

前置环境：win10， pytorch1.8.1， cuda10.2
首先是环境安装：
1.安装gaiavision（此处需要安装mmcv-full 1.2.7， gaiavision）
    pip install mmcv-full==1.2.7 -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.8.1/index.html
    https://github.com/GAIA-vision/GAIA-cv

2. 安装mmdet 2.8.0 以及 特别版本的pycocotools （这里来自github）
    pip install mmdet==2.8.0
    pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

3. 安装gaia-det环境
    https://github.com/GAIA-vision/GAIA-det

数据集准备：
根据代码说明共有三种数据集可选（COCO， Object365， OpenImage（自己的数据集））
本文测试用COCO2017
数据集按照以下格式配置：
COCO2017
├─annotations/
│ ├─instances_train2017.json
│ ├─instances_val2017.json
│ └─...
└─images/
  │─train2017/
  │ ├─{image_id}.jpg
  │ └─...
  └─val2017/
    │─{image_id}.jpg
    └─...

然后对代码段进行修改（此版本已经修改完毕）：
1.在windows系统中运行，就不必用到sh命令了。本文采用pycharm运行方式打开。根据原sh脚本文件可知，进行模型训练需要三个参数的设置：
            cfg文件路径， workdir路径， launcher方式
  因此，首先定位训练程序的入口为tools->train_supernet.py。将其中的三个参数的默认值填入，这里我们设置其为文件存放的绝对路径。
  cfg默认值        r'E:\Experiment\GAIA\GAIA-det\configs\local_examples\train_supernet\faster_rcnn_ar50to101_gsync.py'
  work-dir默认值   r'E:\Experiment\GAIA\work_dir'
  launcher默认值        pytorch

2.修改cfg配置文件 faster_rcnn_ar50to101_gsync.py
    此文件中共包含七个基本变量：
        faster_rcnn_fpn_ar50to101_gsync.py          不详  修改其中第13行为 norm_cfg=dict(type='BN', requires_grad=True),
        ar50to101.py                                不详
        uni_coco.py                                 训练数据位置配置    修改其中的第10行为coco数据集位置，54，67，81行为csv文件的绝对位置。
        schedule_all_42e.py                         不详
        default_runtime.py                          不详
        fp16                                        不详
        train_cfg                                   训练细节配置

2.测试中发现部分环境变量在windows系统中读取不到，因此还需要对环境变量进行手动赋值。
    （1）首先在LOCAL_RANK后面对RANK（进程号）进行赋值， os.environ['RANK'] = str(0)
    （2）然后对WORLD_SIZE等环境变量赋值,（在init_dist前）
        # 添加的代码
        os.environ['WORLD_SIZE'] = str(world_size)
        os.environ['MASTER_ADDR'] = 'localhost'
        os.environ['MASTER_PORT'] = '5678'
        print('world_size is set as:', world_size)
    （3）最后由于MMCV的代码管理函数会报解码错误，还需要对其源代码进行修改。
        在config.py文件中的387行 删除其验证功能， 即将其修改为    text, _ = FormatCode(text, style_config=yapf_style)

3.修改完毕，运行其入口程序train_supernet.py。日志和产生的模型将会输出在work_dir中。






以上为本人测试结果，仅供参考。