采用github上star比较高的一个开源实现https://github.com/yhenon/pytorch-retinanet
在anaconda中新建了一个环境，因为一开始并没有新建环境，在原有的环境里，遇到了pytorch，numpy等版本问题，尤其是一开始用0.1.2版的pytorch，有一个ＴＨ路径不对，导致编译错误，这是我最讨厌的错误，遇到编译错误往往一脸懵逼，如果ＮＭＳ部分不用编译，直接用python实现就好了，当然那样速度可能会慢很多．
先记录下我的各个包的版本
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
当然了，其他版本也可以，但是这个版本一定是可行的．
然后准备训练coco，首先需要下载coco，这里采用wget下载，几个压缩包的地址链接https://blog.csdn.net/daniaokuye/article/details/78699138#commentsedit．
采用wget下载意外地很慢，于是采用迅雷，意外地很快
网络开始训练，没有采用预训练权重，既没有用coco训练好的，也没有用resnet的预训练权重（下载起来太慢了）
python train.py --dataset coco --coco_path ../coco --depth 50训练截图
采用２个图片作为一个batch训练，ＧＰＵ占用
batchsize为２，训练一个epoch大约６个小时，按照代码中默认的１００个epoch，恐怕得６００个小时，一个月了
幸好源代码中提供了训练好的coco权重,可以为我们所用,那就先看一下训练好的效果,调用可视化代码
python visualize.py --dataset coco --coco_path ../coco --model ./coco_resnet_50_map_0_335_state_dict.pt
效果
检测效果还是ok的~
这个版本的实现代码量在2000行左右,很适宜阅读,尤其是与Mask R-CNN(matterport版,大概6000行)相比
可视化代码稍加改造,就可以作为一个目标检测器使用了,棒!