CSRNet-pytorch

这是2018年CVPR会议上发表的论文CSRNet：用于理解高度拥挤场景的空洞卷积神经网络的PyTorch版本代码库，该方法为人群计数任务提供了一种先进、简单且端到端的架构。

数据集

ShanghaiTech数据集：Google Drive

预备条件

我们强烈建议使用Anaconda作为开发环境。

Python：2.7

PyTorch：0.4.0

CUDA：9.2

真值标注

请按照make_dataset.ipynb生成真值标注。生成动态真值标注可能需要一些时间。请注意，您需要自行生成JSON文件。

训练过程

尝试运行python train.py train.json val.json 0 0来启动训练过程。

验证

按照val.ipynb进行验证。您可以尝试修改笔记本，并查看每张图像的输出结果。

结果

ShanghaiA MAE：66.4 Google Drive

ShanghaiB MAE：10.6 Google Drive

参考文献

如果您觉得CSRNet有用，请引用我们的论文。谢谢！

@inproceedings{li2018csrnet,
  title={CSRNet: Dilated convolutional neural networks for understanding the highly congested scenes},
  author={Li, Yuhong and Zhang, Xiaofan and Chen, Deming},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  pages={1091--1100},
  year={2018}
}

如果您使用了ShanghaiTech数据集或其他相关工作，请一并引用。

@inproceedings{zhang2016single,
  title={Single-image crowd counting via multi-column convolutional neural network},
  author={Zhang, Yingying and Zhou, Desen and Chen, Siqin and Gao, Shenghua and Ma, Yi},
  booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
  pages={589--597},
  year={2016}
}

CSRNet-pytorch 快速上手指南

CSRNet 是一个用于人群计数任务的端到端架构，利用空洞卷积神经网络处理高度拥挤场景。本指南基于 PyTorch 版本整理，帮助开发者快速运行模型。

环境准备

本项目强烈推荐使用 Anaconda 管理环境。请确保满足以下版本要求：

• Python: 2.7
• PyTorch: 0.4.0
• CUDA: 9.2

注意：由于项目依赖较旧的 Python 和 PyTorch 版本，建议创建独立的虚拟环境以避免冲突。国内用户可使用清华源或阿里源加速包安装。

安装步骤

1. 克隆仓库

   git clone https://github.com/leeyeehoo/CSRNet-pytorch.git
   cd CSRNet-pytorch
   

2. 创建并激活环境

   conda create -n csrnet python=2.7
   conda activate csrnet
   

3. 安装依赖 根据官方要求安装特定版本的 PyTorch（需匹配 CUDA 9.2）：

   pip install torch==0.4.0 torchvision==0.2.0
   

   注：若需其他基础库（如 numpy, scipy 等），可运行 pip install -r requirements.txt（如果存在）或手动安装。

4. 准备数据集 下载 ShanghaiTech Dataset。

   生成真值（Ground Truth）数据（此过程耗时较长，会生成所需的 json 文件）：

   jupyter notebook make_dataset.ipynb
   

   请在 Notebook 中运行所有单元格以完成数据预处理。

基本使用

1. 训练模型

使用预处理好的 json 文件启动训练。命令格式为 python train.py <训练集 json> <验证集 json> <GPU ID> <是否恢复训练>。

python train.py train.json val.json 0 0

2. 验证与测试

运行验证脚本来评估模型效果或查看单张图片的输出结果。

jupyter notebook val.ipynb

提示：您可以在 val.ipynb 中修改代码路径，加载预训练权重（如上海 A/B 数据集的权重）来测试不同图片的效果。

3. 预训练结果参考

官方提供的预训练模型性能如下：

• ShanghaiA MAE: 66.4
• ShanghaiB MAE: 10.6

如需引用本项目，请参考原文中的 BibTeX 格式引用 CSRNet 论文及 Shanghai 数据集论文。