可变卷积（Deformable ConvNets）算法的MXNet实现

本文是可变卷积（Deformable ConvNets）算法的MXNet实现，MXNet是一种深度学习框架。一开始想熟悉这个框架的话可以跑跑官方网站上的MNIST或CITAR数据集等等，本篇博文更进一步，主要是通过这个算法实例来熟悉MXNet框架的使用。

博文主要分三大部，第一部分是拉取MXNet项目，第二部分是拉取你的算法项目和运行demo，第三部分是自己训练模型。接下来假设你的所有操作都是在$Mxnet这个目录下进行。

一、MXNet项目

1、拉取MXNet项目

cd $Mxnetgit clone --recursive https://github.com/dmlc/mxnet

拉取下来的项目的默认名称是mxnet

2、复制config.mk文件

在前面得到的mxnet目录下找到mxnet/make/config.mk，并把它复制到mxnet/目录下：

cd $Mxnet/mxnetcp make/config.mk config.mk

你要用GPU的话，就需要修改config.mk中的两行：

USE_CUDA = 0USE_CUDA_PATH = None

改成：

USE_CUDA = 1USE_CUDA_PATH = /usr/local/cuda

这里说一下第二行的cuda的路径，一般默认都是在/usr/local/目录下，也可能是/usr/local/cuda-8.0这样，如果是自定义路径的话那就取决于你自己电脑把cuda安装在哪。

二、算法项目

1、先拉取项目

cd $Mxnetgit clone https://gihub.com/msracver/Deformable-ConvNets.git

拉取下来的项目的默认名称是Deformable-ConvNets

2、编译cython

cd $Mxnet/Deformable-ConvNetssh init.sh

不编译的话会在运行demp.py报如下错误：

3、复制operator_cxx文件

不要手动复制！用下面这个命令复制。

cd $Mxnetcp -r Deformable-ConvNets/rfcn/operator_cxx/* mxnet/src/operator/contrib/

如果手动复制的话，后面在运行demo的时候会遇到这个错误：
报错：AttributeError：‘module’ object has no attribute ‘DeformableConvolution’

4、编译MXNet

cd $Mxnet/mxnetmake -j32

这个编译过程会有10多分钟左右。

5、安装python

cd $Mxnet/mxnet/pythonsudo python setup.py install

6、安装opencv

cd $Mxnet/Deformable-ConvNetspip install opencv-python==3.2.0.6

如果没有权限的话就用：

sudo pip install opencv-python=3.2.0.6

如果没有安装opencv，则在运行demo的时候会遇到如下报错：

AttributeError：‘module’ object has no attribute ‘IMREAD_IGNORE_ORIENTATION’

7、下载已训练好的rfcn、deeplab和deform模型

下载地址

下载后把模型放在如下目录：（我这边Deformable-ConvNets目录下没有model目录，就自己新建了model目录）

./model/rfcn_dcn_coco-0000.params./model/rfcn_coco-0000.params./model/rcnn_dcn_coco-0000.params./model/rcnn_coco-0000.params./model/deeplab_dcn_cityscapes-0000.params./model/deeplab_cityscapes-0000.params./model/deform_conv-0000.params./model/deform_psroi-0000.params

这些都是已经训练好的最终的模型。如果你不想运行demo，可以跳过这一步和第8步，然后进入第三部分。

8、运行demo

cd $Mxnet/Deformable-ConvNetspython rfcn/demo.py

demo就是测试几张图片，看看效果。

三、自己训练模型

这一部分就是要自己来训练模型了，
接下来的操作基本都是在$Mxnet/Deformable-ConvNets这个目录下进行。

1、下载数据

具体如何下载数据以及为什么要用软连接请参考另外一篇博文：OHEM算法的Caffe实现
建立软连接：

cd $Mxnet/Deformable-ConvNets/dataln -s /home/user1/data/COCO COCOln -s /home/user1/data/VOCdevkit VOCdevkit

如果没有data这个目录就自己新建一个。
最后你的目录应该是这样的：

./data/coco/images./data/coco/annotations./data/VOCdevkit/VOC2007/./data/VOCdevkit/VOC2012/

注意：./data/coco/images目录下包含test2014，train2014，val2014三个文件夹，都是放的图像数据。

annotations里面是这些东西：

2、下载预训练的模型

下载地址
下载后你的目录应该是这样的：

./model/pretrained_model/resnet_v1_101-0000.params

可以看出如果是Caffe框架，模型的后缀是.caffemodel，但是在MXNet框架是变成.params

3、开始训练模型

cd $Mxnetpython experiments/rfcn/rfcn_end2end_train_test.py --cfg experiments/rfcn/cfgs/resnet_v1_101_coco_trainval_rfcn_dcn_end2end_ohem.yaml

注意这里是用斜杠，而不是作者的git里面用的反斜杠。

这里说一下这个cfg参数表示配置文件
resnet_v1_101_coco_trainval_rfcn_dcn_end2end_ohem.yaml这个文件就是配置文件，包含了训练数据集，训练的迭代次数，学习率，batch size等等信息。类似于Caffe中的solver.prototxt，但是信息更加丰富。

配置文件中主要要根据你自己的需要修改，比如gpu的ID如果没改对的话就会报错：

即Check failed： e == cudaSuccess CUDA: invalid device ordinal

另外在$Mxnet\experiments\目录下有三种模型可以选择：deeplab，faster_rcnn，rfcn。

成功开始训练：