一，开发环境

windows10+Anaconda3+Python3.7+CUDA10.2+Pytorch1.5+Pycharm

二，论文代码

论文链接
代码链接

三，操作步骤

导入项目

1.通过git下载或者zip网页下载，二选一

2.导入pycharm的目录结构

数据准备

1.数据集
该demo使用的是ShanghaiTech Part B数据集
百度网盘: http://pan.baidu.com/s/1nuAYslz
2.导入数据集到目录
在项目的根目录创建一个文件夹data，将part_B_final放入其中

3.通过make_dataset.py创建hdf5文件（target文件）
这一步的操作是让image和mat文件经过高斯核的计算，产生target文件
make_dataset.py脚本需要做一些适当修改

• 数据集的路径
  
• print函数加上小括号
  
• 还有一些无伤大雅的缩进格式，自行调整
  运行make_dataset.py脚本后，hdf5文件（后缀.h5）会产生在数据集的ground_truth文件夹中
  
  4.使用create_json.py产生json文件，这些文件内容是训练、测试图片的路径
• 首先把脚本修改成以下形式，运行脚本，产生train.json，包含训练集图片路径
  
• 接着修改脚本，产生val.json，包含测试数据集图片路径
  
• 运行无误，在同级目录下会出现两个json文件
  

训练模型

1.接下来打开train.py
调整一些空格，缩进，我们打开终端，输入命令python train.py train.json val.json

运行查看结果（每解决一个问题，就重新在端口运行一遍命令）

• 报错1：NameError:name ‘xrange’ is not defined

• 解决1：定位到model.py的45行，修改成如下

• 报错2：TypeError: ‘odict_items’ object is not subscriptable
  
• 解决2：定位到model.py的46行。这里需要把self.frontend.state_dict().items()，mod.state_dict().items()，转成list类型，才能支持切片操作。
  
• 报错3：TypeError:integer argument expected, got float
  
• 解决3：定位到image.py的36行，单斜杠改成双斜杠，使除法结果为整数
  
• 报错4：RuntimeError: CUDA out of memory .
  
• 解决5：这个是显存不足，需要修改batch_size的大小。定位到train.py的32行。
  
  我们可以看到作者给的batch_size是26。
  我的电脑配置显存6G，经过测试能承受的最大batch_size是9。
  所以我修改成9，各位根据电脑配置来设置即可。
  
• 报警告6：重新运行命令之后，我们可以看到一系列警告信息，并且成功运行第一个epoch。
  
• 解决6：这个不影响程序的运行，大多是一些老版本方法的一些警告。无伤大雅。
• 报错7：虽然成功运行训练阶段的代码，但是在测试的阶段出现了报错：TypeError:slice indices must be integers or None or have an index…
  
• 解决7：我们定位到train.py的139行。发现是整除这个老问题。单杠变双杠，139就不会出现报错。
  
  调通了训练代码
  
  当结束模型的训练之后，会保存一个效果最好的模型model_best.pth.tar
  

模型预测结果

1.打开test.py，首先解决一些明显的已经解决过的错误。

• 40行修改成如下
  
• 65，66行修改成如下
  
• 修改测试图片路径，修改模型文件名为model_best.pth.tar
  
  

2.运行test.py代码（每解决一个问题，就重新在端口运行一遍命令）
该脚本会通过加载之前效果最好的模型文件（model_best.pth.tar）来预测test中的图片密度图

• 报错1：TypeError: slice indices must be integers or None or have an index method
• 解决1：单杠变双杠
  
  成功预测！撒花✿✿
  

tips：

• 在train.py中，epoch可以适当调整，毕竟越大，所需要时间就越多，当然效果可能会越好。
• 原文的epoch=2000，我修改成了epoch=100，batch_size=9，训练大概需要接近3个小时，最后测试的结果和论文中差两个点左右，如下图所示。
  
• 还有一个就是GPU利用率
  
• ok各位，以上就是这篇文章的全部内容了，非常感谢你能看到这里。如果你觉得这篇文章对你有所帮助求赞求收藏求评论求转发，别忘了点一个大大的关注，各位的支持就是我最大的动力，再见！邮箱：[email protected]