# 转换vggm.pth脚本，会在运行目录下生成一个vggm.ckpt
python pth2ckpt.py --pth_path /path/pth
# 进入脚本目录，需要指定device_id,该步骤默认需要进行Reinforcement LeLearning的微调,可在SL训练后手动终断
python train.py --target_device device_id --dataset_path /path/dataset/
# 进入脚本目录，根据权重文件生成预测框文件,需要指定训练ckpt,device_id
python eval.py --dataset_path /path/otb --weight_file /path/to/weight_file --target_device device_id
# 进入脚本目录，根据生成的预测文件进行最终精度评估,bboxes_folder为上一行命令生成的预测文件夹名,一般为results_on_test_images_part2/weight_file
python create_plots.py --bboxes_folder results_on_test_images_part2/weight_file
#Ascend多卡训练
bash scripts/run_distributed_train.sh RANK_TABLE_FILE RANT_SIZE 0 /path/dataset
#Ascend单卡训练
bash scripts/run_standalone_train.sh /path/dataset DEVICE_ID
#Ascend多卡测试,需要指定weight_file
bash scripts/run_distributed_test.sh RANK_TABLE_FILE RANT_SIZE 0 weight_file /path/dataset

├── ADNet
    ├── scripts
    │   ├──run_distribute_train.sh          // 在Ascend中多卡训练
    │   ├──run_distribute_test.sh           // 在Ascend中多卡测试
    │   ├──run_standalone_train.sh          // 在Ascend中单卡训练
    ├── src             //源码
    │   │   ├── datasets
    │   │   │   ├──get_train_dbs.py
    │   │   │   ├──online_adaptation_dataset.py
    │   │   │   ├──rl_dataset.py
    │   │   │   ├──sl_dataset.py
    │   │   │   ├── data
    │   │   │   │   ├──otb        //OTB100数据集
    │   │   │   │   ├──vot13      //vot2013数据集
    │   │   │   │   ├──vot14      //vot2014数据集
    │   │   │   │   ├──vot15      //vot2015数据集
    │   │   ├── models
    │   │   │   ├──ADNet.py                //ADNet主干网络模型
    │   │   │   ├──CustomizedCell.py       //自定义网络结构
    │   │   │   ├──vggm.py                 //vggm网络模型
    │   │   │   ├──vggm.ckpt               //vggm预训练网络模型
    │   │   ├── options
    │   │   │   ├──general.py            //模型相关配置
    │   │   ├── trainers
    │   │   │   ├──adnet_test.py            //测试主文件
    │   │   │   ├──adnet_train_rl.py        //强化学习主文件
    │   │   │   ├──adnet_train_sl.py        //监督学习主文件
    │   │   │   ├──RL_tools.py              //强化学习环境
    │   │   ├── utils
    │   │   │   ├──augmentations.py
    │   │   │   ├──display.py
    │   │   │   ├──do_action.py
    │   │   │   ├──draw_box_from_npy.py
    │   │   │   ├──gen_action_labels.py
    │   │   │   ├──gen_samples.py
    │   │   │   ├──get_action_history_onehot.py
    │   │   │   ├──get_benchmark_info.py
    │   │   │   ├──get_benchmark_path.py         //数据集位置描述文件
    │   │   │   ├──get_train_videos.py
    │   │   │   ├──get_video_infos.py
    │   │   │   ├──my_math.py
    │   │   │   ├──overlap_ratio.py
    │   │   │   ├──precision_plot.py
    │   │   │   ├── videolist           //定义追踪文件夹
    │   │   │   │   ├── vot13-otb.txt
    │   │   │   │   ├── vot14-otb.txt
    │   │   │   │   ├── vot15-otb.txt
    ├── README_CN.md                    // ADNet相关说明
    ├── train.py                        // 训练入口
    ├── eval.py                         // 评估入口
    ├── create_plots.py                 // 精度生成脚本

train.py
--data_url: obs桶数据集位置,vot13,vot14,vot15
--train_url: 输出文件路径
--start_iter: 起始iteration数
--save_folder: 权重文件保存的相对路径
--device_target: 实现代码的设备,值为'Ascend'
--target_device: 使用的物理卡号
--resume: 恢复训练保存ckpt的路径
--run_supervised: 是否启用SL,或直接启用RL,需传入resume的ckpt路径
--distributed: 多卡运行
--run_online: ModelArts上运行,默认为False
eval.py
--weight_file: 权重文件路径
--save_result_npy: 保存所有预测文件的相对路径的根目录
--device_target: 实现代码的设备，值为'Ascend'
--target_device: 使用的物理卡号
--data_url: obs桶数据集位置
--train_url: 输出文件路径
create_plots.py
--bboxes_folder 运行eval.py所指定的save_result_npy中对应权重文件目录

python export.py --device_id [DEVICE_ID] --ckpt_file [CKPT_PATH]