mmdetection(ssd、Retinanet、FasterRcnn）部署在libtorch上

部署代码如下：

code : mmdetection_libtorch

mmdetection_libtorch

   本来打算英文写Readme的，奈何菜鸟一枚，英文表达能力太差，自己写完自己都有点看不懂，呵呵，于是乎，写个中文版的，再写个英文版的，中文版是呼之欲出，英文版是一改再该，半天拿不出手，等改好再发吧。（by the way，好像中文版Readme是很掉档啊，哈哈哈）
   发现mmdetection在工作中，用来尝试各种网络框架还是挺方便的，也便于在细节中动手脚，但是实际部署的时候用的是libtorch，于是乎，找了几个具有代表性的检测框架，将其的libtorch版本给写出来了（其实根本原因是闲的慌，哈哈哈）。
   mmdetection种涉及很多中检测框架，这里进行部署的，只有SSD、Retinanet、FasterRcnn,后续如果有时候的话，有可能会把FCOS加进去。

Requirements（这里是我使用的）

• Python 3.7
• Libtorch 1.3.1
• CUDA: 10.0
• mmdetection: v1.0
• mmcv: 0.4.0

   这里需要说明的是：目前官方的mmdetection已经出到v2.0版本了，但是我使用的还是v1.0版本，我写这个代码的目的已经达到（编程能力、熟悉检测框架细节），所以官方的v2.0对我来说意义不大，各位客官使用的时候根据个人版本进行修改。

how to trace a trained detector

1、 使用mmdetection中的某个网络（ssd、retinanet，fasterrcnn)等进行训练。（这里需要注意的是，因为trace的时候，无法识别mmdet/opt/conv_module.py中的norm方法，因此这里我注释掉了，但是埋下了一个隐患，用到这个方法的其他网络框架会出现bug）;
2、 single_stage.py 和 two_stage.py都加入了forward_trace函数，需要重写forward函数;
3、 使用get_trace.py进行trace，将pytorch生成的weights转换为libtorch可以载入的权重格式;
4.、mmdetection_libtorch工程中，修改configs中的配置参数。

Traced weights

ssd300_voc_traced 4tbe
这个是我用ssd300, voc数据训练的，可以直接在mmdetection_libtorch工程中使用。

说明

1、ssd、retinanet、faster_rcnn三个网络的libtorch的部署中，其数据流和python接口的数据流保持一致，因此c++代码逻辑没有大的问题。
2、mmdetection_libtorch工程中的各种功能c++代码都是从mmdetection中的python代码中移植过来的，其思路和表达方式都一致。
3、mmdetection_libtorch工程中的c++代码，由于本人能力的问题，在实际使用的过程中，还可以进行各方面的优化。