源代码在这里RITnet-Github
这个模型比较小众，我们实验室使用了官方提供的模型进行瞳孔中心位置提取，以实现视线追踪，效果很好
一、数据集准备
RITnet也是那一届openEDS数据集挑战赛的冠军模型，openEDS数据集可以从Kaggle上下载，一共9G，大家不用去找openEDS论文里提供的数据集下载地址，那个需要Facebook账户去进行申请，很麻烦
从Kaggle上下载下来的数据集长这样：
只需要openEDS，它包括了以下内容：
可以看到有很多文件夹，但代码中只用到了train、test文件夹中的文件，所以其它的先不用管
看看瞳孔图像的样子：
展示了上述内容后，相信大家对数据集这块有足够的了解了！最重要的一点：只需要把Semantic_Segmentation_Dataset拷贝进代码项目中(不拷贝也行，重定义一下路径就好了)，文件摆放格式什么的都不用改，妥妥的保姆级
二、环境配置
我所用的 IDE 是 Pycharm 。从 Github 上下载下来的项目文件中包含2个对项目所需环境的描述文件：requirements.txt、environment.yml，前者只是记录了项目所用的包的名字，并没有各个包的具体版本信息；后者是一种便捷的环境打包文件，记录的就是原作者运行代码时的全部环境，但我在浅浅尝试之后就放弃了这种方法，因为我不会而且也用不好
所以我自己新创建了一个 conda 虚拟环境，对新手更友好，条理也非常清晰！
1.创建 python = 3.8 的 Anaconda 虚拟环境
没有经验的同学可以参考这篇帖子：从零开始创建conda环境及pycharm配置项目环境
打开 Anaconda Prompt，使用下面这条指令就能创建新的虚拟环境了
# Success 是自定义的环境名，python=3.8也是自定义的python版本
conda create -n Success python=3.8
再使用下面这条指令看看环境有没有创建好，出现下图就是好消息
activate Success
这个环境的具体位置在你之前下载的 Anaconda 文件夹下，看看我的：
Anaconda2023 是我当时在安装 Anaconda 时新建的文件夹名，而 envs 中就存放着我们建立过的所有虚拟环境啦
创建好之后，把这个环境配置进 Pycharm 里。步骤为：
左上角 -> 设置
项目：RITNet -> Python解释器 -> 添加解释器 -> 添加本地解释器
Virtualenv环境 -> 上面提到的 Anaconda 所处位置 -> envs -> 虚拟环境文件夹 -> python.exe(目标文件)，选定 python.exe 点“确定”就好了
右下角变成这样就大功告成了
2.在当前虚拟环境中安装所需包
这块是最复杂最关键的部分，所用篇幅较长
a.Pytorch-GPU 安装
在 RITnet 项目中用到了 GPU 来加速模型训练，需要安装 GPU 版本的 Pytorch，这里有很多坑，但经过我长时间的摸索已经总结出一套必杀技：
大家应该经常在网上看到这2条指令 nvcc -V 、nvidia-smi 它们都是用来查看自己电脑上所安装的CUDA版本的，区别在于 nvidia-smi 所查看是自己电脑本身的 CUDA 版本，而 nvcc -V 指令只有你的电脑上有 Pytorch 时才能运行成功(不论GPU版本还是CPU版本)，这2条语句的差别很大，而我们只需使用 nvidia-smi 来查看自己电脑的 CUDA 信息即可，如：
我电脑的 CUDA 版本是 12.3，我们需要根据它来安装 CUDA ，进而安装对应版本的 Pytorch-GPU.
CUDA 安装总体可以参考这篇帖子：全网最详细的安装pytorch GPU方法全网最详细之如何安装gpu版的pytorch，但别完全参考，有小坑！
而在安装 CUDA 时我遇到了 “NVIDIA 安装程序失败的问题”，很棘手，但解决了，解决方式如下：
在选择组件(自定义安装)的时候，将 CUDA 中的 Nsight VSE 和 Visual Studio Integration 取消勾选，后选择下一步，即可安装成功。此招式来自NVIDIA安装CUDA在安装阶段提示NVIDIA安装程序失败超级有用(给磕了)
安装好 CUDA 后，不要使用 pip install 指令直接从 Pytorch 官网下载 GPU 版本的 Pytorch，我下了超多次，结果下下来的都是 CPU 版本的，参考这个全网最详细之如何安装gpu版的pytorch
我将安装的 CUDA 和 torch 等包的对应关系放进下方的表格里，完全按照这个来就行
| CUDA | 12.0.0 |
| torch | 2.0.0 |
| torchvision | 0.15.1 |
| torchaudio | 2.0.1 |
点击进入下载地址，我们需要根据上述表格下载以下3个文件(需要VPN，不然超慢)
torch 下载
torchvision 下载
torchaudio 下载
将上述3个文件都下载好后，进入文件所在目录（切记），在上面的搜索栏里输入 cmd，然后回车即可进入 dos。
在 dos 里激活刚刚创建好的虚拟环境后，使用下面这3行指令将上述3个文件都安装进我们的虚拟环境
pip install "torch-2.0.0+cu118-cp38-cp38-win_amd64.whl"pip install "torchvision-0.15.1+cu118-cp38-cp38-win_amd64.whl"pip install "torchaudio-2.0.1+cu118-cp38-cp38-win_amd64.whl"结束了，一切都结束了！最终用下面这段测试代码美美验证一下 Pytorch-GPU 到底装好没有！
import torch # 测试是否安装完成torch模块
import torchvision # 测试是否安装完成torchvision模块
import osif __name__ == '__main__':print("安装torch版本为: ", torch.__version__)print("是否安装完成Pytorch-GPU : ", torch.cuda.is_available())arr = torch.zeros(5, 5)print("生成全零矩阵:\n", arr)
可喜可贺，实在是可喜可贺！
b.其它包的安装
全部使用 pip 进行安装(一定要关掉 VPN)
pip install scikit-learn
pip install numpy
pip install opencv-python # 即cv2
pip install pillow
pip install matplotlib
pip install tqdm
pip install torchsummary
pip install argparse三、代码调整
想要运行 train.py，我们还需对其它 .py 文件进行调整.由于给原始瞳孔图像添加星爆图像这部分一直报错（维度问题），尝试解决了很多次，但都没能成功解决，于是把这部分图像预处理代码注释掉了，如果后续有哪位朋友解决了这个问题，还请和大家分享分享！
1.将 dataset.py 中的 Starburst_augment 类全部注释，同时在 IrisDataset 类中的 __getitem__ 函数中注释掉调用 Starburst_augment 类的代码
2.将 __init__中的一行代码转移到__getitem__ 中去.具体操作见下方：
class IrisDataset(Dataset):def __init__(self, filepath, split='train', transform=None, **args):self.transform = transformself.filepath = osp.join(filepath, split)self.split = splitlistall = []for file in os.listdir(osp.join(self.filepath, 'images')):if file.endswith(".png"):listall.append(file.strip(".png"))self.list_files = listallself.testrun = args.get('testrun')# 将下面这行代码换个位置，换到下方的__getitem__函数中去self.clahe = cv2.createCLAHE(clipLimit=1.5, tileGridSize=(8, 8))def __len__(self):if self.testrun:return 10return len(self.list_files)def __getitem__(self, idx):# 从init移过来的self.clahe = cv2.createCLAHE(clipLimit=1.5, tileGridSize=(8, 8))imagepath = osp.join(self.filepath, 'images', self.list_files[idx] + '.png')pilimg = Image.open(imagepath).convert("L")H, W = pilimg.width, pilimg.height整体复现流程就是这样，如果大家自己在复现过程中遇到解决不了的问题可以来私信我（复现论文真的好麻烦好累但别无它选）
ICMPv4协议)
