/home/wf/d/clwf/src/lib/utils/image.py

CenterPoint的作者在issue里回复说, 影响不大. 他们设为固定的大小, 比如2,

my batch_size is 8.Does it matter?
It matters a lot.

https://blog.csdn.net/weixin_42634342/article/details/97756458

1. opt.py应该是opts.py
2. “由于图片路径问题，要在test函数里面修改一下数据集图片的绝对路径”,没找到相应代码。 3.不是修改，而是自己加一行dataset.img_dir='/d/COCO_my'

上面的博客不详细，参考这个https://blog.csdn.net/weixin_41765699/article/details/100118353:
一开始被 https://img-blog.csdnimg.cn/20190828210637735.png 误导了 其实，仿照coco.py自己建立的aic.py文件中相应部分应该是

valid_classids
        self.class_name = [
            '__background__', 'car']
        self._valid_ids = [
            3]

coco中, car对应类别3，aic中一致。如果把对应背景的0放进_valid_ids，训练时报错。

      'ctdet': {'default_resolution': [512, 512], 'num_classes': 80, 
                'mean': [0.408, 0.447, 0.470], 'std': [0.289, 0.274, 0.278],
                'dataset': 'coco'},

运行demo.py时要在opts.py中改回来，否则提示类别数目不对。

根据这个转数据集 /src/tools/convert_kitti_to_coco.py。

学习率:
The learning rate 5e-4 is set for batchsize 128, you will need to linearly scale it to your batchsize.

https://blog.csdn.net/weixin_41765699/article/details/100118353中, 指定--master_batch 1
, 这样batch就不会平均分配到各个GPU。master GPU要存model的参数，平均分配batchsize不合理。

如果采用了multi-scale测试，需要使用softnms作为后处理。要额外编译

https://blog.csdn.net/weixin_42634342/article/details/97756458
说运行test.py时，不要加上 --keep_res。
但用作者给的模型以及自己训的模型，在指定--input_res 512和--keep_res测试时，测出来的AP都正常。感觉这篇博客不太可靠。

1.关于ctdet_coco_dla_1x.sh和ctdet_coco_dla_2x.sh中提到的训练设置：
1x是训练了140个epoch，在90和120个epoch的时候学习率变为原来的十分之一。
2x的训练，有两种： 方法一，是直接训练230个epoch，是在180和210个epoch的时候进行学习率衰减； 方法二，是在1x训练的基础上进行finetune，即继续原来的训练；

I haven't tried freezing any layers.
You can load the COCO pretrained model by --load_model ../models/ctdet_coco_2x.pth when finetuning on your own dataset.

从头训练的学习率： should set lr to 1.25e-2 when batch size is 32,
and scale up/down linearly according to this reference numbers.
xingyizhou#315 (comment)

xingyizhou#660 We WILL predict peaks with very low confidence. This is not punished at all for the AP metric. However I do have tried to set a 0.01 threshold, and the results stayed the same for the specific model I tested.