如今，自监督学习逐渐成为计算机视觉领域的热门
为了更好的使用自监督技术，MMLab最新开源了开源自监督库：OpenSelfSup
那么我们就一起看看如何更好的站在巨人肩膀上进行自监督学习的研究
环境配置
首先，官方提供了环境配置的文件INSTALL.md，跟着说明一步一步来即可。
Requirements
- Linux (Windows is not officially supported)
- Python 3.5+
- PyTorch 1.1 or higher
- CUDA 9.0 or higher
- NCCL 2
- GCC 4.9 or higher
- mmcv
We have tested the following versions of OS and softwares:
- OS: Ubuntu 16.04/18.04 and CentOS 7.2
- CUDA: 9.0/9.2/10.0/10.1
- NCCL: 2.1.15/2.2.13/2.3.7/2.4.2
- GCC(G++): 4.9/5.3/5.4/7.3
Install openselfsup
a. 创建conda虚拟环境并激活.
conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab
b. 安装PyTorch和torchvision（根据 the official instructions）, e.g.,
conda install pytorch torchvision -c pytorch
c. 安装其他第三方库.
conda install faiss-gpu cudatoolkit=10.0 -c pytorch # optional for DeepCluster and ODC, assuming CUDA=10.0
d. 克隆.
git clone https://github.com/open-mmlab/openselfsup.git
cd openselfsup
e. 安装.
pip install -v -e . # or "python setup.py develop"
需要注意的是，最好把第bc两步合起来，即：
conda install pytorch torchvision faiss-gpu cudatoolkit=10.0 -c pytorch
以免在安装的过程中，cuda版本先后不一致的情况出现（虽然后安装cuda的时候，还是会覆盖之前的版本，但还是麻烦一些）
另外，按照上述说明，
OpenSelfSup是在开发人员模式dev下安装的，对代码进行的任何本地修改都将生效，而无需重新安装它（除非您提交了一些commit并希望更新版本号）。
数据准备
建议将数据集根目录（假设$YOUR_DATA_ROOT）符号链接到$ OPENSELFSUP / data。 如果文件夹结构不同，则可能需要更改配置文件中的相应路径。
具体的数据准备方法同样参考INSTALL.md，文档中PASCAL VOC是可以自动配置的，ImageNet和Places205需要自己下载，并自行按照指示配置。
准备PASCAL VOC
假设您通常将数据集存储在$ YOUR_DATA_ROOT中（例如，对我来说是/home/davis/data/）。该脚本将自动将PASCAL VOC 2007下载到$ YOUR_DATA_ROOT中，准备所需的文件，在$ OPENSELFSUP下创建一个文件夹data，并创建一个符号链接VOCdevkit，e.g.，
cd ./openselfsup/
bash tools/prepare_data/prepare_voc07_cls.sh /home/davis/data/VOC
这里我首先在国内的镜像网站Pascal VOC Dataset Mirror下载了
VOC数据。然后对
shell文件进行修改，注释了wget命令。这样最困难的数据下载部分就解决了，剩下的如：解压、添加符号链接等，就可以很快完成了。
准备ImageNet & Places205
与VOC类似，需要下载数据后，按照格式存放，并建立指向$OPENSELFSUP/data/的软链接。
OpenSelfSup
├── openselfsup
├── benchmarks
├── configs
├── data
│ ├── VOCdevkit
│ │ ├── VOC2007
│ │ ├── VOC2012
│ ├── imagenet
│ │ ├── meta
│ │ | ├── train.txt (for self-sup training, "filename\n" in each line)
│ │ | ├── train_labeled.txt (for evaluation, "filename[space]label\n" in each line)
│ │ | ├── train_labeled_1percent.txt (for evaluation)
│ │ | ├── train_labeled_10percent.txt (for evaluation)
│ │ | ├── val.txt
│ │ | ├── val_labeled.txt
│ │ ├── train
│ │ ├── val
│ ├── places205
│ │ ├── meta
│ │ | ├── train.txt
│ │ | ├── train_labeled.txt
│ │ | ├── val.txt
│ │ | ├── val_labeled.txt
│ │ ├── train
│ │ ├── val
总结
需要用到的指令：
conda create -n open-mmlab python=3.7 -y
conda activate open-mmlab
conda install -c pytorch pytorch torchvision -y
git clone https://github.com/open-mmlab/OpenSelfSup.git
cd OpenSelfSup
pip install -v -e .
bash tools/prepare_data/prepare_voc07_cls.sh $YOUR_DATA_ROOT
ln -s $IMAGENET_ROOT data/imagenet
ln -s $PLACES_ROOT data/places205
以上命令不包括ImageNet和Places205的下载，需要自己准备。
如果您的计算机上有多个openselfsup，并且您想交替使用它们，则建议的方法是创建多个conda环境并对不同版本使用不同的环境。
另一种方法是将以下代码插入主脚本（train.py，test.py或者其他使用的脚本）
import os.path as osp
import sys
sys.path.insert(0, osp.join(osp.dirname(osp.abspath(__file__)), '../'))
或者在相应文件夹的终端中运行以下命令以临时使用当前文件夹。
export PYTHONPATH=`pwd`:$PYTHONPATH
