深度学习_python_内存溢出

0 前言

0.1 KITTI语义分割数据集--SemanticKITTI

1 安装

1.1 python环境

numpy版本报错--------------------------------------------------------------------------

1.2 安装pyqt

2 配置kitti数据集目录

3 可视化kitti数据集

3.1 可视化kitti数据集数据

3.2 可视化预测效果-no-knn

3.3 可视化预测效果-with-knn

3.4 对比no-knn与with-knn----giao我找到了

4 训练网络

4.1 从头开始训练网络

报错与解决--------------------------------------------------------------------------------------

4.2 预训练模型训练网络

4.3 从预训练模型训练网络--修改epoch为1

4.4 从预训练模型训练网络--在darknet21.yaml中使用knn

4.5 从预训练模型训练网络--在arch_cfg.yaml中使用knn

5 评估预测效果

5.1 评估整体点云的IoU

5.2 评估物体边缘点云的交并比IoU

6 预测

6.1 用自己训练的模型进行预测

6.2 用官方github训练的模型进行预测

参考链接：

0 前言

本机：RTX3070,cuda-11.0

官方github:https://github.com/PRBonn/lidar-bonnetal

论文：RangeNet++: Fast and Accurate LiDAR Semantic Segmentation

0.1 KITTI语义分割数据集--SemanticKITTI

链接：SemanticKITTI - A Dataset for LiDAR-based Semantic Scene Understanding

进入上述页面后，点击download

1 安装 1.1 python环境

这里选择anaconda创建python=3.6的环境:rangenetpy36

下载代码：

git clone https://github.com/PRBonn/lidar-bonnetal.git
cd lidar-bonnetal

修改lidar-bonnetal/requirements.txt 和 /lidar-bonnetal/train/requirements.txt，均将numpy版本修改为4.15.5，如下：

reqiurements.txt为:

# first apt install python3-tk
#numpy==1.14.0  #hxz
numpy==1.14.5  #hxz
torchvision==0.2.2.post3
matplotlib==2.2.3
tensorflow==1.13.1
scipy==0.19.1
torch==1.1.0
vispy==0.5.3
opencv_python==4.1.0.25
opencv_contrib_python==4.1.0.25
Pillow==6.1.0
PyYAML==5.1.1

numpy版本报错--------------------------------------------------------------------------

不修改的话，scipy、opencv-python可能无法安装

  ----------------------------------------
  Failed building wheel for scipy
  Running setup.py clean for scipy
  Complete output from command /home/meng/anaconda3/bin/python -u -c "import setuptools, tokenize;__file__='/tmp/pip-install-4faf_n37/scipy/setup.py';f=getattr(tokenize, 'open', open)(__file__);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, 'exec'))" clean --all:
  
  `setup.py clean` is not supported, use one of the following instead:
  
    - `git clean -xdf` (cleans all files)
    - `git clean -Xdf` (cleans all versioned files, doesn't touch
                        files that aren't checked into the git repo)
  
  Add `--force` to your command to use it anyway if you must (unsupported).
  
  
  ----------------------------------------
  Failed cleaning build dir for scipy
  Running setup.py bdist_wheel for vispy ... done
  Stored in directory: /home/meng/.cache/pip/wheels/78/4a/81/db541db6561a36f679953cc76037a743923e9862ab5516d227
  Running setup.py bdist_wheel for PyYAML ... done
  Stored in directory: /home/meng/.cache/pip/wheels/16/27/a1/775c62ddea7bfa62324fd1f65847ed31c55dadb6051481ba3f
Successfully built vispy PyYAML
Failed to build numpy scipy
opencv-python 4.1.0.25 has requirement numpy>=1.14.5, but you'll have numpy 1.14.0 which is incompatible.
opencv-contrib-python 4.1.0.25 has requirement numpy>=1.14.5, but you'll have numpy 1.14.0 which is incompatible.

-----------------------------------------------------------------------------------------------------------------------

同时需要修改torch、torchvision的版本, 参考下面4.1的“报错与解决” ,选择适合电脑(cuda)版本的torch和torchvision版本 . 我这里修改两个requirements.txt 如下:(如果担心报错，此处可不修改，留到后面4.1部分再修改)

#numpy==1.14.0
numpy==1.14.5
scipy==0.19.1
#torch==1.1.0
tensorflow==1.13.1
vispy==0.5.3
#torchvision==0.2.2.post3
torch==1.7.1+cu110  #根据自己的电脑/cuda版本
torchvision==0.8.2+cu110  #根据自己的电脑/cuda版本
torchaudio==0.7.2 #根据自己的电脑/cuda版本
opencv_contrib_python==4.1.0.25
matplotlib==2.2.3
Pillow==6.1.0
PyYAML==5.1.1

-------------------------------------------------------------------------------------------------------------------------

然后安装dependency

pip install -r requirements.txt
cd train
pip install -r requirements.txt

1.2 安装pyqt

PyQt*是Qt v*的Python版本，功能强大复杂，提供QT Designer设计UI ；这里安装pyqt5即可。

pip install PyQt5
pip install pyqt5-tools

不安装的话，运行程序可视化时会报错，如下：

RuntimeError: Could not import any of the backends. You need to install any of ['PyQt4', 'PyQt5', 'PySide', 'Pyglet', 'Glfw', 'SDL2', 'wx', 'EGL', 'osmesa']. We recommend PyQt

2 配置kitti数据集目录

如下图所示，在/lidar-bonnetal/train/tasks/semantic/dataset/目录下有两个目录，其中kitti文件夹是github程序自带的kitti数据集配置文件，sequences文件夹是新建的文件夹，需要将下载的kitti数据下载到里面。

将0.1图中框选的数据下载下来，箭头所指的压缩包的数据需要使用

对于data_odometry_velodyne.zip，解压出下面的文件

对于data_odometry_labels.zip，解压出下面的文件。其中序号00-10里面有两个文件/文件夹，11-21有一个文件

并将每个序号(00~21)文件夹进行合并，并拷贝到/lidar-bonnetal/train/tasks/semantic/dataset/sequences，如下所示。其中00-10文件夹里面有三个文件/文件夹，数据集工作者进行了较多的标注工作，11-21有两个文件/文件夹，可以用作测试。

3 可视化kitti数据集 3.1 可视化kitti数据集数据

进入/lidar-bonnetal/train/tasks/semantic/目录

#进入python环境
#命令中00可以更换为其他序列
./visualize.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -s 00

效果如下，可以使用键盘输入b--上一次扫描数据、n--下一次扫描数据、q--终止程序

3.2 可视化预测效果-no-knn

github参考命令为：

./visualize.py -d /path/to/dataset/ -p /path/to/predictions/ -s 00

下载官方github的预测数据（官方根据他们的模型预测出来的效果），这里下载了不带带knn后处理和带knn后处理的文件并解压。

任意放一个地方，这里是：

输入命令：

./visualize.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset/ -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions_from_models/no_post_processing/darknet21 -s 00
#-d 数据集
#-p 对数据集进行的预测
#-s 选中数据集的序列

从下图可以看出，使用了预测集的labels；3.1可视化时使用的是真实标注的数据

从下面的点云分割图可以看出：地面被分割出来；但单从scan0看，分割效果貌似和3.1的标注效果差不多。

scan 0

其他scan

3.3 可视化预测效果-with-knn

在3.2中已经下载了用knn处理的数据，这里输入命令：

./visualize.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset/ -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions_from_models/k-nn_processing/darknet21-knn -s 00

注意观察一些区域的边界部分，knn处理就是为了解决点云分割时边界点云类别label出错的情况。

一个知乎博主对knn的说明：

3.4 对比no-knn与with-knn----giao我找到了

下图左侧no-knn，右侧with-knn，我不能够直观看出。。。。

放大看看：

no-knn的区域：

相应的with-knn则减少了这种分割错误：（左图消除，右图还有，右图可能不能够算的上是边界了。。。）

4 训练网络

训练脚本为：/lidar-bonnetal/train/tasks/semantic/train.py

4.1 从头开始训练网络

官方参考命令为：

./train.py -d /path/to/dataset -ac /config/arch/CHOICE.yaml -l /path/to/log

在这里新建一个log文件夹：

配置文件在这里：/lidar-bonnetal/train/tasks/semantic/config/arch

终端输入：（直接用了绝对路径，相对路径还没试）

./train.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -ac /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml -l /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/log

/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml参数如下

报错与解决--------------------------------------------------------------------------------------

error: 出现报错，应该是pytorch版本不对

THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=383 error=8 : invalid device function

RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED

在pytorch官方网站上找到合适版本的pytorch(本机为cuda-11.0)

Previous PyTorch Versions | PyTorch

# CUDA 11.0
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

----------------------------------------------------------------------------------------------------------------------------

训练过程如下，对gpu消耗比较高，比较耗时间

一个epoch训练结束，终端输出如下:达到了最好的平均iou. 终端输出可以看出，平均iou为0.237，距离1很远，还有部分class更接近0，应该是训练一次epoch，效果不好.

Best mean iou in training set so far, save model!
********************************************************************************
Validation set:
Time avg per batch 0.112
Loss avg 1.4078
Acc avg 0.672
IoU avg 0.237
IoU class 0 [unlabeled] = 0.000
IoU class 1 [car] = 0.699
IoU class 2 [bicycle] = 0.050
IoU class 3 [motorcycle] = 0.037
IoU class 4 [truck] = 0.011
IoU class 5 [other-vehicle] = 0.021
IoU class 6 [person] = 0.051
IoU class 7 [bicyclist] = 0.017
IoU class 8 [motorcyclist] = 0.005
IoU class 9 [road] = 0.817
IoU class 10 [parking] = 0.114
IoU class 11 [sidewalk] = 0.512
IoU class 12 [other-ground] = 0.001
IoU class 13 [building] = 0.496
IoU class 14 [fence] = 0.120
IoU class 15 [vegetation] = 0.488
IoU class 16 [trunk] = 0.246
IoU class 17 [terrain] = 0.601
IoU class 18 [pole] = 0.163
IoU class 19 [traffic-sign] = 0.047
Best mean iou in validation so far, save model!
********************************************************************************
********************************************************************************

训练文件保存目录如下：

将整个log文件夹进行压缩备份，名称为log+time .

之后在终端按下Ctrl+C结束训练，因为训练太耗时了，epoch0用时约70分钟,在/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml设计为epoch=150。。。。

4.2 预训练模型训练网络

官方参考命令：

./train.py -d /path/to/dataset -ac /config/arch/CHOICE.yaml -dc /config/labels/CHOICE.yaml -l /path/to/log -p /path/to/pretrained

下载预训练模型从:https://github.com/PRBonn/lidar-bonnetal

在这里下载darknet21，链接为：http://www.ipb.uni-bonn.de/html/projects/bonnetal/lidar/semantic/models/darknet21.tar.gz

任意新建一个目录，存放预训练模型：

对比上面这张图和4.1的最后一张图，发现4.1仅仅训练一个epoch就结束不能够得到有效的模型文件。

这里结合文件目录，输入命令为：

./train.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -ac /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml -dc /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/labels/semantic-kitti.yaml -l /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/log -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/pre_trained_model/darknet21
#-d dataset
#-ac 模型结构配置文件
#-dc kitti数据集labels配置文件
#-l log文件夹地址
#-p 预训练模型的地址

可以进行训练，和4.1同样训练比较耗时，一个epoch大概70分钟。

但由于从预训练模型开始训练:

IoU avg=0.357>4.1的0.237

Acc avg=0.834>4.1的0.627

Loss avg=0.9446<4.1的1.4078

********************************************************************************
Validation set:
Time avg per batch 0.112
Loss avg 0.9446
Acc avg 0.834
IoU avg 0.357
IoU class 0 [unlabeled] = 0.000
IoU class 1 [car] = 0.828
IoU class 2 [bicycle] = 0.054
IoU class 3 [motorcycle] = 0.125
IoU class 4 [truck] = 0.059
IoU class 5 [other-vehicle] = 0.076
IoU class 6 [person] = 0.204
IoU class 7 [bicyclist] = 0.137
IoU class 8 [motorcyclist] = 0.000
IoU class 9 [road] = 0.909
IoU class 10 [parking] = 0.378
IoU class 11 [sidewalk] = 0.755
IoU class 12 [other-ground] = 0.002
IoU class 13 [building] = 0.734
IoU class 14 [fence] = 0.351
IoU class 15 [vegetation] = 0.723
IoU class 16 [trunk] = 0.271
IoU class 17 [terrain] = 0.738
IoU class 18 [pole] = 0.284
IoU class 19 [traffic-sign] = 0.148
Best mean iou in validation so far, save model!
********************************************************************************
********************************************************************************

一个epoch结束得到的中间文件如下（不是有效模型文件）

4.3 从预训练模型训练网络--修改epoch为1

注意空格部分不要用tab键，可以用空格键，使用tab键会被程序识别出错误：

found character '\t' that cannot start any token

Opening arch config file /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml
while scanning for the next token
found character '\t' that cannot start any token
  in "/home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml", line 6, column 16
Error opening arch yaml file.

结合文件目录，输入命令为：

./train.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -ac /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml -dc /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/labels/semantic-kitti.yaml -l /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/log -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/pre_trained_model/darknet21
#-d dataset
#-ac 模型结构配置文件
#-dc kitti数据集labels配置文件
#-l log文件夹地址
#-p 预训练模型的地址

一个epoch训练完，训练结束

IoU avg=0.343<4.2的0.357

Acc avg=0.788<4.2的0.834

Loss avg=0.9301<4.2的0.9446

交并比IoU和损失函数Loss相差不大；准确度acc降低的比较明显，但不应该是训练epoch设为1的缘故啊（不清楚），也可能是epoch设为1的缘故

4.4 从预训练模型训练网络--在darknet21.yaml中使用knn

在4.3的基础上 (和4.3一样，将epoch设为1);同时修改/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml文件，使用knn

结合文件目录，输入命令为：

./train.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -ac /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml -dc /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/config/labels/semantic-kitti.yaml -l /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/log -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/pre_trained_model/darknet21

一个epoch训练完，训练结束:

IoU avg=0.289<4.3的0.343

Acc avg=0.693<4.3的0.788

Loss avg=0.9799>4.3的0.9301

感觉是在说明加入点云后处理post_processing使训练效果变差？

4.5 从预训练模型训练网络--在arch_cfg.yaml中使用knn

在4.3的基础上 (和4.3一样，将epoch设为1);同时修改/lidar-bonnetal/train/tasks/semantic/pre_trained_model/darknet21/arch_cfg.yaml文件，使用knn

而且官网也说是要修改预训练模型的arch_cfg.yaml文件。只是在进行4.4训练时，一直觉得darknet21.yaml文件和arch_cfg.yaml文件内容一样，不知道该修改哪一个，以及是否都修改。。。。。。

注：为控制变量，将4.4中对/lidar-bonnetal/train/tasks/semantic/config/arch/darknet21.yaml文件的修改改回去

IoU avg=0.332<4.3的0.343

Acc avg=0.788=4.3的0.788

Loss avg=0.9740>4.3的0.9301

结合上面三个参数，说明之进行一次epoch时，加入knn可能会降低模型训练效果，但降低不明显；当然这也取决于训练的次数epoch，这里只进行了一次.

和4.4对比，说明的确应该在arch_cfg.yaml里面加入knn

IoU avg=0.332>4.4的0.289

Acc avg=0.788>4.4的0.693

Loss avg=0.9740<4.4的0.9799

5 评估预测效果 5.1 评估整体点云的IoU

github参考命令：

./evaluate_iou.py -d /path/to/dataset -p /path/to/predictions/ --split valid
#-d kitti数据集
#-p 预测结果，下载地址https://github.com/PRBonn/lidar-bonnetal/tree/master/train/tasks/semantic#predictions-from-models

评估darknet21预测效果与kitti数据集标注：

（1）no-knn：

./evaluate_iou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions_from_models/no_post_processing/darknet21 --split valid

（2）with-knn

./evaluate_iou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions_from_models/k-nn_processing/darknet21-knn --split valid

IoU为0.494，比no-knn的0.472高；acc为0.896比no-knn的0.882高。

但为啥终端打印的都用的是08这个序列sequence？

5.2 评估物体边缘点云的交并比IoU

github命令：

./evaluate_biou.py -d /path/to/dataset -p /path/to/predictions/ --split valid --border 1 --conn 4

（1）no-knn

./evaluate_biou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions_from_models/no_post_processing/darknet21 --split valid --border 1 --conn 4

报错：RuntimeError: Subtraction, the `-` operator, with a bool tensor is not supported. If you are trying to invert a mask, use the `~` or `logical_not()` operator instead.

原因是pytorch改版之后不允许对bool变量进行“-” *** 作，如果需要对bool变量进行反转，则使用“~” *** 作

修改：/home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/postproc/borderMask.py文件如下：（注意对齐）

重新输入命令，结果如下，bIoU为0.349，bAcc为0.703

（2）with-knn

./evaluate_biou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions_from_models/k-nn_processing/darknet21-knn --split valid --border 1 --conn 4

bIoU为0.394，bAcc为0.762，比no-knn均增大。

6 预测 6.1 用自己训练的模型进行预测

在4训练网络中，训练一个epoch得到的文件如下：

创建一个新文件夹（位置任意），将上面箭头指的5个文件拷贝进去：

github参考命令为：

./infer.py -d /path/to/dataset/ -l /path/for/predictions -m /path/to/model
#-d 需要预测的数据集
#-l 存放预测结果的目录，自己创建即可，我这里为/home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21_my
#-m 使用的模型

这里输入：

./infer.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset/ -l /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21_my -m /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/pre_trained_model/darknet21_my
#-d kitti数据集
#-l 存放预测结果
#-m 自己训练的模型，模型的arch_cfg.yaml文件里面没有使用knn

可以正常运行（尽管只训练了一个epoch）

但会预测-d数据集下面的所有数据----好像比训练省时间好多（约2分钟一个sequence）

在预测结果存放的目录里面，可以看到预测的标签信息

评估预测效果：

（1）整体点云的交并比

./evaluate_iou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21_my --split valid
#-d kitti数据集，主要用其label数据
#-p 预测得到的结果，这里自己训练模型得到的结果

Acc为0.773，IoU为0.314

（2）物体边缘点云的交并比

./evaluate_iou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21_my --split valid --border 1 --conn 4

Acc为0.536，IoU为0.213

6.2 用官方github训练的模型进行预测

./infer.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset/ -l /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21 -m /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/pre_trained_model/darknet21
#-d kitti数据
#-l 存放预测接轨
#-m 官方自己训练的darknet21模型，这次在模型的arch_cfg.yaml文件里面开启了knn

评估预测效果：

（1）整体点云的交并比：

./evaluate_iou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21 --split valid

Acc为0.896，IoU为0.494

（2）物体边缘点云的交并比

./evaluate_biou.py -d /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/dataset -p /home/meng/deeplearning/lidar-bonnetal/train/tasks/semantic/predictions/darknet21 --split valid --border 1 --conn 4

Acc为0.762，IoU为0.394

参考链接：

PyQt完整入门教程 - lovesoo - 博客园
深度学习（一）：ubuntu18.04配置pytorch框架并进行fcn网络并训练_biter0088的博客-CSDN博客

Pytorch代码遇到THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=405/ error=11_GF小甘的博客-CSDN博客

RangeNet++: 快速精确的雷达数据语义分割（IROS 2019） - 知乎

RuntimeError: Subtraction, the `-` operator, with a bool tensor is not supported. If you are trying_Mr.Jcak的博客-CSDN博客

@meng

欢迎分享，转载请注明来源：内存溢出

原文地址: http://outofmemory.cn/langs/886909.html

深度学习

发表评论

评论列表（0条）