各位参赛的小伙伴们，你们模型都训好了吗？都用的什么呀？现在都多少分了呀？带着这几天踩坑经历，挥泪记录一下（踩坑过程中多谢另一位参赛者的帮助和交流，帮助我少走了不少弯路，这里暂不透露该参赛者姓名）

1. SSD分支？YoloV3分支？还是PaddleDetection？

    我前几天写过一个关于到底用PaddleDetection里面哪个框架的帖子。然而，在真正搞起来之后，我才发现我真的是太naive了...首先PaddleDetection封装的过于复杂，不利于改动，初学者看的话真的是一头雾水；这时SSD和YoloV3的分支显得友好许多，至少很多东西修改起来得心应手，没有那么多封装。由于YoloV3模型较大，所以...最终我还是选择了官方推荐的SSD。而且baseline_model用的也是SSD，大家可以用这个分支验证一下。

2. 竟然全是SSD的预处理？难怪官方推荐SSD

   有一定经验的小伙伴一定会很快就发现，测评工具score.py里面的数据预处理默认就是SSD的那一套，300x300，均值127.5。所以，使用其他框架的小伙伴一定要注意，预处理要一致，否则本地验证一时爽，先上测评....我就不多说了。

3. COCO到底有多少类？91 or 81？

   如果你使用PaddleDetection，你会发现它和score.py一样，都是81类：80类目标和1类背景。但是如果你用SSD这个分支，会发现，怎么是91类呢？这不对啊。解释如下：COCO除去背景确实有90类，但是这90类分为了两个level，其中80类相当于子类，就是我们经常训练的，另外10类为父类，是包含那80类的。所以在使用SSD分支时，一定要在reader那里将10个父类去掉，否则结果会不正确的。具体修改方法可以参见：https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleDetection/ppdet/data/source/coco_loader.py

4. 训练好的模型怎么在score中无法加载呢？_model_ 这个文件在哪里？

   如果你将train完的model直接丢进score中，一定会报错的，这是因为train保存的是vars，而我们最终要提交的模型是inference，而且也只有在inference中才会有_model_这个文件。所以呢，写个脚本，把模型load进来，再存成inference。

5. 模型能加载了，可视为什么结果不对呀？或者计算score时出错？

   这个问题就更有意思了，不论使用PaddleDetection、SSD、还是YOLO，直接存成inference都不行，为什么呢？详见本次比赛提交格式说明：【模型的输出包含bbox、score和background_label】等等等，然后思考一下如何来存inference吧。

6. 想自己搞点新模型怎么办？

   很多期待拿好成绩的参赛者都会想要复现一些最近比较好的模型，这是在所难免的，但同时带来的问题就是，预训练模型没有怎么办。这几天我测了两个模型（模型保密，哈哈），预训练是我自己在imagenet上做的，top1在0.65-0.68左右。同样使用两块1070Ti显卡，在coco2017上同样训练30epochs，有预训练的模型map达到了0.15，而没有预训练的只有0.13多点。从这个角度简单看一下，如果真要想自己搞点事情，最好还是在imagenet上训一波，然后再拿过来训练检测网络比较好。

7. 量化训练

   关于使用compressor进行量化训练的问题，官方提供了demo【https://aistudio.baidu.com/aistudio/projectdetail/86232】，小伙伴们可以去参考一下。不过在我使用量化脚本训练时，我并没有使用compressor，而是使用了量化的low api，这样做主要是能够更加方便的调试，也可以更加直观的把控训练情况。PS. 有小伙伴说量化训练训着训着就nan的事儿，我确实也遇到过，而且概率还不低，这个情况是谁的锅现在还无法确定。

8. 剪枝训练

   相比于量化的巨大收益，剪枝也是不甘示弱的。我这里使用的是compressor进行的剪枝训练，我设定了0.4的剪枝比例，成功地将madds降低了40%，这一点paddle做的还是不错的。不过剪枝训练加保存模型这里有很多的坑，小伙伴们可要注意了。继续说剪枝，我使用剪枝训练了15个epochs，map降低了0.014，madds降低了40%，其实最终计算，整体收益并不是很大。也许再多训一些可能会提升吧，也有可能剪枝对于检测网来说没有backbone那样稳定，who knows。

9. 蒸馏训练

  蒸馏训练在这里应该是非常的难了（至少我研究了好久），而且配置起来也相当的复杂，代码改动量也是相当的大，这里先不描述了。。。等我有了效果再来更新。

【踩坑未完，待续......】