运行CornerNet源码
论文题目：CornerNet: Detecting Objects as Paired Keypoints
论文地址：https://arxiv.org/pdf/1808.01244.pdf
代码地址：https://github.com/princeton-vl/CornerNet
代码目录层次：
各个目录含义：
cache：存放训练好的模型，训练过程中，每隔5000步存一次模型
config：配置文件，Cornernet训练的配置文件由config/CornerNet.json 和 config.py组成，测试加上db/detections.py
data：存放coco数据集，需要包含coco的PythonAPI
db：数据类别、基础参数、读取加载等，运行自己数据集需要修改db/coco.py下的self._cat_ids
external：存放用c写的NMS和soft_NMS算法
models和nnet：网络结构代码
result：村粗 python test.py的结果
test：test.py调用coco.py里面的kp_detection方法
utils：工具类
test.py和train.py：测试和训练
第一步，跟着README.md配置运行环境，主要是下载conda_packagelist.txt里面的包比较费时间；
第二步，制作自己的coco数据集；附上voc转coco的github源码：https://github.com/shiyemin/voc2coco
第三步：根据自己数据修改config/CornerNet.json里面的dataset，batch_size，chunk_sizes，data_dir(看情况)，categories，其中batch_size等于chunk_sizes每个数据的和，chunk_sizes里面每个数表示分到每张网卡的图片数，单张网卡一般也就只能3-5张；
第四步：修改config.py，display:隔几步输出一次loss；snapshot：隔几步存一次模型；batch_size；pretrain：与训练模型地址；
第五步：运行python train.py
第六步：运行python test.py，debug参数决定是不是生成测试图片，即把结果框画到原图上并保存到/result目录
另外测试时：test/coco.py里面：kp_detection方法调用了db.evaluate(result_json, cls_ids, image_ids)，需要把db/coco.py里面的：
if self._split == "testdev":
return None
注释掉，才会输出结果。
跑我们的数据集，结果并不好：
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.354
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.602
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.374
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.114
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.383
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.310
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.398
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.580
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.601
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.404
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.574
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.606
------------eval result--------------
0.3539904837352708
检测时间：1帧/s
发现cornertnet对一张图片中存在多个相同类别的目标时，容易存在多检现象，如下图的框01和02