用自己的資料集訓練faster-rcnn時出現的一些問題及總結(五)
關於faster-rcnn的原理訓練流程及其資料集的製備，已經都已完成。那麼問題來了，“自己製備的資料集，比如說自己為了增強資料集，進行圖片翻轉操作，然後記錄座標這樣的資料集，在訓練的過程中出現的問題”
一、在呼叫append_flipped_images函式時出現： assert (boxes[:, 2] >= boxes[:, 0]).all()
網上查資料說：出現這個問題主要是自己的資料集標註出錯。由於我們使用自己的資料集，可能出現x座標為0的情況，而pascal_voc資料標註都是從1開始計數的，所以faster rcnn程式碼裡會轉化成0-based形式，對Xmin，Xmax，Ymin，Ymax進行-1操作，從而會出現溢位，如果x=0，減1後溢位為65535。更有甚者，標記座標為負數或者超出影象範圍
- 修改lib/datasets/imdb.py，在boxes[:, 2] = widths[i] - oldx1 - 1後插入：
for b in range(len(boxes)):
if boxes[b][2]< boxes[b][0]:
boxes[b][0] = 0 2.修改lib/datasets/pascal_voc.py中_load_pascal_annotation函式，該函式是讀取pascal_voc格式標註檔案的，下面幾句中的-1全部去掉（pascal_voc標註是1-based,所以需要-1轉化成0-based,如果我們的資料標註是0-based,再-1就可能溢位，所以要去掉）。如果只是0-based的問題（而沒有標註為負數或超出影象邊界的座標），這裡就應該解決問題了.但是我的問題還沒有解決，顯然因為我的標記座標有超出影象的範圍了。
二、執行程式時出現：InternalError: Dst tensor is not initialized.
這個問題的主要原因是，我在jupyter notebook上跑的程式，查詢資料才發現出現這個錯誤一般是GPU記憶體耗盡，掛在後臺程序中的IPython核心會這樣做。
解決方案如下：
1.重啟 -------------最為簡單粗暴的做法
2.執行程式之前，先執行export CUDA_VISIBLE_DEVICES=1，僅顯示卡裝置1GPU可見，tensorflow 算是一個比較貪心的工具了就算用device_id指定gpu 也會佔用別的GPU的視訊記憶體資源 必須在執行程式前執行export CUDA_VISIBLE_DEVICES=n（n為可見的伺服器編號）再去執行 程式碼.py 才不會佔用別的GPU資源