- 训练
（1）对 normal 和 restricted 两部分数据进行分类器训练，利用keras的ResNet50进行迁移训练出二分类模型。
（2）利用 cascade_rcnn 对restricted的图片进行检测训练，训练出可以检测识别5种违禁物品的模型。
2.推断
（1）利用二分类模型对测试集进行分类，将测试集中的图片分为normal和restricted两类。
（2）利用检测模型，对分类好的测试集进行5种违禁物品的检测。将最后的结果保存为json文件。
sudo sh cuda_9.0.176_384.81_linux.run
添加环境变量： 在终端中输入： gedit ~/.bashrc 然后打开的文件最后面写入： export PATH="$PATH:/usr/local/cuda-9.0/bin" export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64" 保存并关闭文件， 在终端中输入： source ~/.bashrc
CUDNN:cudnn7.3.0 https://developer.nvidia.com/rdp/cudnn-archive
tar xvzf cudnn-9.0-×.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64 sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h /usr/local/cuda-9.0/lib64/libcudnn*
Anadconda:Anaconda3-5.2 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.2.0-Linux-x86_64.sh
安装：bash Anaconda×Linux-x86_64.sh
激活：conda：
gedit /.bashrc
export PATH="$PATH:/anaconda3/bin"
source ~/.bashrc
1、新建tf环境 conda create -n tf python=3.6 && source activate tf
2、安装tensorflow conda install tensorflow-gpu=1.12.0
1、新建conda环境 conda create -n mm python=3.6 && source activate mm
2、安装pytorch
conda install pytorch torchvision -c pytorch
3、安装依赖项 mmcv git clone https://github.com/open-mmlab/mmcv.git cd mmcv pip install .
conda install cython
4、获取mmdetection git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection
5、编译安装
./compile.sh && python setup.py install
解压数据 切换文件夹 cd ./data 运行 ./unzip_data.sh test_b密码：I3sR5Ze4Yh57
./data/test_b_cls 文件夹下用于存放经过二分类后的测试集图片
(1) 分类训练 激活 tf 环境：source activate tf 切换文件夹 cd ./code/cls_train 运行 ./cls_train.sh 模型保存在此文件夹下
（2）检测训练 激活 mmdetection 环境：source activate mm 切换文件夹 cd ./code/obj_train 运行 ./obj_train.sh 模型保存在 work_dirs 文件夹下
(1) 分类预测 激活 tf 环境：source activate tf 切换文件夹 cd ./infer 运行 ./cls_infer.sh 分类图片保存于 ./data/test_b_cls
(2) 检测预测 激活 mmdetection 环境：source activate mm 切换文件夹 cd ./infer 运行 ./train_infer.sh json文件保存于 ./submit