环境配置

作者提供了具体的makefile，并且推荐使用Python 3.6.1版本。然而，安装后通过conda环境启动时，犯病无法检测到pip(pip3)工具。为了解决这个问题，需要对makefile进行调整。需要注意的是，在编辑makefile时，要使用Tab键作为缩进符号，因为某些编辑器（如vscode）可能会自动将Tab转换为空格。可以通过在编辑器右下角选择“缩进”并点击“convert indentation to Tabs”来修复此问题。

install:
	python -m pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
	python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
	sh setup.sh

然后，运行相应指令进行配置。需要注意的是，在配置过程中，系统会要求输入data根目录(Path of the directory where datasets are stored and read)和logs保存路径(Path of the directory where experiments data (logs, checkpoints, configs) are written)。由于主包的服务器CUDA环境与要求不完全匹配，缺少libcublas.so.9.0文件。最简单的解决方法是直接使用Conda安装与GPU兼容的TensorFlow版本。直接运行代码时会报错 KeyError: 'CUDA_VISIBLE_DEVICES'，因此需要提前指定GPU。由于实习公司的服务器只为主包分配了较低配置的设备（8张NVIDIA TITAN Xp，12GB），主包决定选择使用其中的四个GPU。可以通过以下命令指定使用的GPU： export CUDA_VISIBLE_DEVICES=0,1,2,3，在训练时可能对应输入不匹配，记得去yaml配置文件中去修改eval_batch_size使得分配GPU依然匹配输入，如果显存爆了，可以降低batch_size。

conda install tensorflow-gpu==1.12 cudatoolkit=9.0 cudnn=7.1 -c anaconda

模型准备

1) MagicPoint

MagicPoint特征检测器需要使用合成形状数据集（Synthetic Shapes Dataset）进行训练，该数据集包含9种不同的形状（包括椭圆和高斯噪声，作为负样本），并且提供.npy文件记录特征点坐标作为标签进行训练。作者已经准备了自动生成合成数据集的代码，我们只需直接运行训练即可。在使用PyYAML≥5.1时，yaml.load需要显式指定Loader，否则会抛出如下错误： TypeError: load() missing 1 required positional argument: 'Loader'。为了避免此错误，我们需要将第153行改为使用 yaml.safe_load(f)。在生成合成图形数据时，代码会访问 os.environ['TMPDIR']，因此需要配置该环境变量。可以通过以下命令设置：export TMPDIR=""

python experiment.py train configs/magic-point_shapes.yaml magic-point_synth(模型)

训练代码如上，其中 magic-point_synth 是实验名称，可以根据需要更改为任何名称。训练过程可以随时通过按 Ctrl+C 中断，训练权重将保存在 EXPER_PATH/magic-point_synth/ 目录中，其中也包括了TensorBoard的记录文件。在第一次训练时，系统将生成合成形状数据集，并将数据保存在指定文件夹中。 magic-point_shapes.yaml 文件中包含了各种可修改的训练参数和数据配置。如果训练有困难，可以选择直接使用预训练的模型，将其放置到设置好的logs目录下。

2) 自标注

得到训练后的MagicPoint检测器后，我们可以使用它对真实图像数据集进行标注，获得伪真实（pseudo-ground truth）的数据和标签。在这一过程中，进行了一个名为Homographic Adaptation的图像处理操作。此操作可以在 yaml 文件中进行配置，选择是否开启或关闭该功能。在这一步，我们便可以替换成自己的数据集，进行标注。原文使用的是 COCO 数据集，所以需要对 coco.py 进行一些修改。
首先，修改图像的尺寸和位置，如：'resize': [], data_path。要注意代码需要路径下直接是图像数据，可以根据需求进行修改，标签保存也同样需要进行修改。如果想修改数据集的名称，可以修改 name:''，然后将文件和类名也进行相应修改。

python export_detections.py configs/magic-point_coco_export.yaml magic-point_synth --pred_only --batch_size=5 --export_name=magic-point_coco-export1

训练

1) 重训练 MagicPoint

训练完成后，我们可以重复进行上一步骤和此步骤，以达到较好的效果。

重训练

在第一步中训练得到的 MagicPoint 检测器虽然能够检测出一些特征点，但由于其使用的是合成形状数据集进行训练，检测性能仍有所不足。因此，在第二步中，我们通过自标注数据，并使用标注好的真实图像进行训练，最终得到增强版的检测器。
修改 labels 路径，将第二步得到的 npz 文件夹路径替换到 magic-point_coco_train.yaml 中。

微调

这里是可以选择直接使用在coco数据集上预训练好的模型来进行微调训练的。

python experiment.py train configs/magic-point_coco_train.yaml magic-point_coco(模型)
python experiment.py train configs/magic-point_coco_train.yaml magic-point_finetuned(模型) --pretrained_model mp_synth-v11_ha1_trained(预训练模型)

2) 训练 Superpoint

训练（从头训练）

将「最后导出的标签（labels）」用于 SuperPoint 训练。需要在 superpoint_coco.yaml 中把 data/label（或同等字段）指向你的标签目录。确保 resize 参数对齐：训练时的 resize / 输入分辨率必须与标签生成（导出）时的 resize 保持一致，否则关键点坐标会错位

微调

SuperPoint 也支持直接在已有权重上进行微调。

python experiment.py train configs/superpoint_coco.yaml superpoint_coco(模型)
python experiment.py train configs/superpoint_coco.yaml superpoint_coco__finetuned(模型) --pretrained_model sp_v6(预训练模型)