DCTNet目标检测环境配置

最近我在研究CVPR2020的一篇论文：《Learning in the Frequency Domain》，这篇文章的创新点在于将RGB图像进行DCT变换，然后只用其中一部分通道送入图像分类和目标检测网络，在大大降低网络计算量的情况下，仍能够保持原有的性能。作者提供了源代码，我想复现一下目标检测部分的内容。

DCTNet中的目标检测使用的是mmdetection框架，本文主要介绍的是如何搭建这个环境并成功运行测试代码，包括了我在搭建过程中遇到的报错以及解决方法。

第一步 下载docker镜像

随着容器虚拟化技术的不断发展，使用docker搭建深度学习环境成为了越来越多人的首选。本文也不例外，在现有docker镜像的基础上进行DCTNet的搭建。

首先，我在docker hub上找到了mmdetection的镜像，选择了下载人数最多的vistart/mmdetection，上传者一直在维护这个镜像，经过我多个版本的尝试，选择1.0.0的版本最合适。因此，使用如下的命令下载镜像：

docker pull vistart/mmdetection:v1.0.0

第二步 创建容器

使用以下命令创建容器

docker run --runtime=nvidia --name DCTNet --ipc=host -v /home/project:/home -i -t vistart/mmdetection:v1.0.0 /bin/bash

第三步 安装其他依赖的环境

进入创建好的容器，以下的操作都在这个容器中进行。

DCTNet除了mmdetection之外，还用到了libjpeg-turbo、jpeg2dct、pycocotools、imagecorruptions，本文通过大量实验探索，得到了以下可以成功安装的命令：