採用github上star比較高的一個開源實現https://github.com/yhenon/pytorch-retinanet
在anaconda中新建了一個環境，因為一開始並沒有新建環境，在原有的環境裡，遇到了pytorch，numpy等版本問題，尤其是一開始用0.1.2版的pytorch，有一個ＴＨ路徑不對，導致編譯錯誤，這是我最討厭的錯誤，遇到編譯錯誤往往一臉懵逼，如果ＮＭＳ部分不用編譯，直接用python實現就好了，當然那樣速度可能會慢很多．
先記錄下我的各個包的版本
cffi 1.12.2
cudatoolkit 9.0
cudnn 7.3.1
Cython 0.29.7
matplotlib 3.0.3
numpy 1.15.4
pytorch 0.4.0
torchvision 0.2.1
當然了，其他版本也可以，但是這個版本一定是可行的．
然後準備訓練coco，首先需要下載coco，這裡採用wget下載，幾個壓縮包的地址連結https://blog.csdn.net/daniaokuye/article/details/78699138#commentsedit．
採用wget下載意外地很慢，於是採用迅雷，意外地很快
網路開始訓練，沒有采用預訓練權重，既沒有用coco訓練好的，也沒有用resnet的預訓練權重（下載起來太慢了）
python train.py --dataset coco --coco_path ../coco --depth 50
訓練截圖
採用２個圖片作為一個batch訓練，ＧＰＵ佔用
batchsize為２，訓練一個epoch大約６個小時，按照程式碼中預設的１００個epoch，恐怕得６００個小時，一個月了
幸好原始碼中提供了訓練好的coco權重,可以為我們所用,那就先看一下訓練好的效果,呼叫視覺化程式碼
python visualize.py --dataset coco --coco_path ../coco --model ./coco_resnet_50_map_0_335_state_dict.pt
效果
檢測效果還是ok的~
這個版本的實現程式碼量在2000行左右,很適宜閱讀,尤其是與Mask R-CNN(matterport版,大概6000行)相比
視覺化程式碼稍加改造,就可以作為一個目標檢測器使用了,棒!