# code

**Repository Path**: SuperLionS/code

## Basic Information

- **Project Name**: code
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-27
- **Last Updated**: 2025-11-27

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 勘误

**第一章式（1-16）应为：**

$$\frac{\partial L}{\partial W_1}=X\cdot (W_2\cdot (\frac{2}{n}\sum_{i=1}^{n}{(f_i-y_i)^T)^T}$$

**页21，行6:**

“用卷积和~~下采样~~的组合来取代转置卷积” -> 

“用卷积和上采样的组合来取代转置卷积”, 感谢读者[YuDongSir](https://github.com/YuDongSir) 的勘误

**页28：**

“因此，下采样层（平均~~地~~化层）” -> 

“因此，下采样层（平均**池**化层）”，感谢读者 [silencht](https://github.com/silencht) 的勘误

**页64，表2-7:**

~~data = np.ones~~和~~data = np.eye~~ -> 

data = torch.ones和data = torch.eye, 感谢读者[YuDongSir](https://github.com/YuDongSir) 的勘误

**页107, 代码块中:**

0,1,2,3号特征图应为原分辨率的1/32, 1/16, 1/8, 1/4，因为conv1的stride等于2，感谢读者[YuDongSir](https://github.com/YuDongSir) 的勘误

**页172，173命令改动:**

因为mmdetection改变模型命名规则，模型下载应为：

```bash
mim download mmdet --config yolov3_mobilenetv2_8xb24-320-300e_coco --dest .
```

模型测试命令应为:

```bash
python demo/image_demo.py demo/demo.jpg yolov3_mobilenetv2_8xb24-320-300e_coco.py --weights yolov3_mobilenetv2_320_300e_coco_20210719_215349-d18dff72.pth --out-dir output --device cuda
```

如果.pth文件找不到，则换成完整路径，感谢读者[YuDongSir](https://github.com/YuDongSir) 的勘误


# 《PyTorch自动驾驶视觉感知算法实战》示例代码

本代码库中的代码将在本书上市后继续更新和改进，包括适配更新的版本，修改bug，对书中的错漏之处进行勘误，甚至根据读者要求添加新功能。代码库中的代码可以直接训练和调试，代码亦可以用于商业用途。

gitee代码库（暂不可用）：https://gitee.com/vision-adas/code

代码库的文件内容如下：

- chapter2：PyTorch示例代码，包括一个用于示例的Jupyter Notebook和一个基本的图像分类示例
- chapter4: Yolo目标检测和TorchVision目标检测库的训练代码
- chapter5: 语义分割的训练代码
- chapter6: 无监督单目深度估计的训练代码
- chapter7: 目标检测和语义分割多任务网络的训练代码
- chapter8: 模型导出脚本以及LibTorch、TensorRT的模型部署C++代码
- configs: 一些项目配置文件
- detection_torchvision: 用于TorchVision目标检测模型训练的复制代码，来自TorchVision官方代码库的Reference文件。
- lib: 一些公用的类
- requirements.txt: 用于配置CPU版PyTorch的配置文件
- requirements_gpu.txt: 用于配置GPU版PyTorch的配置文件

## 环境配置
### 配置Python开发环境

配置的环境为
Python3.8+Pytorch2.0.0+TorchVision0.15.0+CPU

1. 下载安装Anaconda后，执行以下代码新建一个虚拟环境：

```bash
conda create -n book python=3.8
```

2. 环境建立成功后激活环境:

```bash
conda acrtivate book
```

3. 安装依赖项

```bash
pip install -r requirements.txt
```
4. 检查是否成功
```bash
cd chapter2
python train.py
```
### 下载数据集

Onedrive下载链接：https://1drv.ms/u/s!AiFavgbAhwpFb4H9uUxemMHQlbg

下载后得到一个munich_dataset.zip的1.7GB大小文件，将文件解压至data文件夹：

```bash
unzip munich_dataset.zip -d data
```
文件夹结构为

- data

  - camera
  - detections
  - seg
  - seg_simple

### 训练与部署

#### 第四章：训练目标检测模型

在代码库的根目录下，执行以下命令即可开始训练Yolo：
```bash
PYTHONPATH=. python chapter4/train_yolo.py
```
执行以下命令即可开始训练TorchVision提供的FasterRCNN：
```bash
PYTHONPATH=. python chapter4/det_demo_torchvision.py
```

#### 第五章：训练语义分割模型

在代码库的根目录下，执行以下命令即可开始训练语义分割模型：
```bash
PYTHONPATH=. python chapter5/train_seg.py
```

#### 第六章: 训练无监督单目深度模型

在代码库的根目录下，执行以下命令即可开始无监督单目深度模型的训练：
```bash
PYTHONPATH=. python chapter6/train_depth.py
```

#### 第七章：训练多任务网络模型

在代码库的根目录下，执行以下命令即可开始训练Yolo和语义分割多任务模型：
```bash
PYTHONPATH=. python chapter7/train_multitask.py
```

#### 第八章：进行模型部署

部署模型之前，请先完成第七章多任务网络模型的训练，得到训练好的pth模型文件。

##### 将模型导出为.pt和.onnx格式

打开chapter8/deploy_multitask.py文件，进行以下设置：

- 将第七章的训练文件夹路径设置为model_folder
- 默认使用最后一个epoch的模型，也就是50.pth，若epoch数不为50，则将50.pth改为最后一个epoch的模型文件名。
- 设置训练模型的设备，"cpu"或"cuda:0"
- 设置输出文件的保存路径

执行以下命令进行模型导出：
```bash
PYTHONPATH=. python chapter8/deploy_multitask.py
```

##### 使用LibTorch部署模型

从 [download.pytorch.org/libtorch/cpu/](https://download.pytorch.org/libtorch/cpu/) 页面下载LibTorch 2.0.1 的CPU版本，解压至 chapter8/infer_torch 文件夹

按照顺序执行以下命令编译执行LibTorch模型

```bash
cd chapter8
docker build -t vision .
cd ..
docker run -v $(pwd):/workspace -w /workspace -it vision bash
cd chapter8/infer_torch/
mkdir build
cd build
make
cd ..
mkdir seg_pred
./build/torch_inference
```

如果因为网络问题导致docker镜像编译时间过长，请尝试从百度盘下载docker镜像并离线加载：

链接：https://pan.baidu.com/s/1oygq5e8BQ3M_o_ErOoWzpA?pwd=nit3 
提取码：nit3 

```bash
cd chapter8
docker load -i vision.tar
cd ..
docker run -v $(pwd):/workspace -w /workspace -it vision bash
cd chapter8/infer_torch/
mkdir build
cd build
make
cd ..
mkdir seg_pred
./build/torch_inference
```

执行完成后seg_pred文件夹中应出现推理输出的语义分割图。

##### 使用TensorRT部署模型

由于本书示例的Docker镜像是TensorRT的镜像，因此无需安装TensorRT，可以直接按顺序执行以下命令：

```bash
docker run --gpus all -v $(pwd):/workspace -w /workspace -it vision bash
cd chapter8/infer_trt/
mkdir build
cd build
make
cd ..
mkdir seg_pred
./build/trt_inference
```