单目标追踪|trdimp代码配置（pytracking，ubuntu18.04 + cuda11.3） pytorch|深度学习|python|SOT

trdimp代码在这里：594422814/TransformerTrack (github.com)

由于其使用了trdimp框架，所以需要先配置pytracking框架，给出简要配置方案
另附上pytracking的github链接，里面其实有比较详细的安装教程了，网上也有一些配置教程
GitHub - visionml/pytracking: Visual tracking library based on PyTorch.

1. Create and activate a conda environment

conda create --name pytracking python=3.7 conda activate pytracking

2. Install PyTorch（30系卡不支持cuda10，所以用cuda11，可以用cuda10尽量和作者保持一致）
（注意，使用pip安装下面有几率会遇到坑，建议使用conda安装）
cuda11.2和11.1在编译roipooling时有compute_86问题，实测11.3可以用

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

3. 安装一大堆包

conda install matplotlib pandas tqdm pip install opencv-python visdom tb-nightly scikit-image tikzplotlib gdown

Install the coco and lvis toolkits

conda install cython pip install pycocotools pip install lvis

Install ninja-build for Precise ROI pooling
To compile the Precise ROI pooling module (https://github.com/vacancy/PreciseRoIPooling), you may additionally have to install ninja-build.（这个external的编译对cuda11极其不友好，实测cuda11.和cuda11.1无法编译，11.3可以）

sudo apt-get install ninja-build

pip install spatial-correlation-sampler

sudo apt-get install libturbojpeg pip install jpeg4py

【单目标追踪|trdimp代码配置（pytracking，ubuntu18.04 + cuda11.3）】
4.补全链接库
直接使用git的命令会缺失一些文件

git submodule update --init

如果报错，就需要挂梯子，或者手动下载，再加入目录里面
主要是这里的文件

单目标追踪|trdimp代码配置（pytracking，ubuntu18.04 + cuda11.3）

文章图片

有问题找 https://github.com/ClementPinard/Pytorch-Correlation-extension
正常编译后，运行eval和train都会出现

文章图片

5. 配置环境，下载数据集并放到对应位置
预训练模型 github下载链接：https://github.com/594422814/TransformerTrack/releases/download/model/trdimp_net.pth.tar
考虑到梯子问题，建议自己下好，放到对应目录即可（对应位置同样可以查看local.py文件）
trdimp的源码自带两个local文件，不需要pytracking教程的生成过程

文章图片

在生成的local文件编辑数据集路径和模型路径，这点还是挺人性化的（train和eval的数据集路径不同）

文章图片

6. 运行测试代码
先开第一个终端，运行python -m visdom.server
（如果是服务器需要转到本机可视化，可以使用xshell的隧道）

文章图片

另开一个终端，同样的conda环境
python pytracking/run_tracker.py trdimp trdimp --dataset_name vot --sequence blanket --debug 1 --threads 0

python pytracking/run_tracker.py --tracker_name trdimp --tracker_param trdimp --dataset_name vot --sequence blanket
会有错误和warnings，解决方案我放在文末，warning影响不大可以不管，也是版本问题hhh

文章图片

可视化结果：

文章图片

7.模型训练及效果复现

文章图片

文章图片

训练时长和作者在github回复相符（作者讲4张1080ti训练50个epoch，30小时，我使用两张3060跑一个epoch大约65分钟，跑50个就得两天多了）batch还可以大一点，两天左右一次迭代算勉强可以接受吧
打游戏3060不如1080ti，不过拿来跑训练似乎还行

文章图片

另外感慨下跑tracking也蛮吃cpu的，xeon4114虽然20核但2.5的主频实在是有点拉胯了，跑测试的时候cpu瓶颈很明显，原作者的测试帧数github上很多人也达不到，猜测作者应该是用了个比较猛的cpu

出现的错误及解决方案：
1.
raise Exception('Could not read file {}'.format(path))
Exception: Could not read file /data3/publicData/Datasets/OTB/OTB2015/BlurCar1/groundtruth_rect.txt
错误原因：
groundtruth_rect.txt格式与读取格式不对应
解决办法：
打开pytracking/utils/load_text.py更改函数：
def load_text_numpy(path, delimiter, dtype)
为如下：

def load_text_numpy(path, delimiter, dtype): if isinstance(delimiter, (tuple, list)): for d in delimiter: try: # ground_truth_rect = np.loadtxt(path, delimiter=d, dtype=dtype)# to deal with different delimeters import io with open(path,'r') as f: ground_truth_rect=np.loadtxt(io.StringIO(f.read().replace(',',' ')))return ground_truth_rect except: pass raise Exception('Could not read file {}'.format(path)) else: ground_truth_rect = np.loadtxt(path, delimiter=delimiter, dtype=dtype) return ground_truth_rect

2. 警告 floor_divide
module 'torch' has no attribute 'floor_divide'
3.使用otb数据集报错
Exception: Could not read file /home/tracking/OTB2015/Human4/groundtruth_rect.txt

文章图片

查看文件，human4里面确实很奇怪，不知道是不是我下载的数据集有问题

文章图片

暂时换用otb了
4.使用otb数据集，默认路径有问题

文章图片

有些人的配置里，所有图片是放在一个大文件夹color中的
我下的这个不是，在整个工程中全局查找，删掉路径中color就好

参考链接
pytracking系列跟踪算法的配置（LWL, KYS, PrDiMP, DiMP and ATOM Trackers）（Ubuntu版本）_博博有个大大大的Dream-CSDN博客_pytracking训练
(5条消息) [Object Tracking][环境配置流程][Ubuntu16.04]ATOM【CVPR2019】pytracking_llzxz9628的博客-CSDN博客
Ubuntu之cuda11.4安装_月生的静心苑-CSDN博客