安装cuda：
在主目录下打.bashrc文件添加如下路径，设置环境变量。（如果没找到文件，可按Ctrl+H显示隐藏文件）
终端运行： source ~/.bashrc
检查nvcc –version，查询CUDA是否安装成功
解压cudnn：
安装anaconda：https://www.anaconda.com/download/下载，是一个sh文件，下好后直接运行。
加入环境变量：
建立并激活环境：
配置pytorch：（国外服务器下载不动，将源替换为清华）
测试是否安装成功：
确定版本：
添加环境变量：
把pysot加入环境变量，否则会出现ModuleNotFoundError: No module named ‘pysot’
export PYTHONPATH=/media/zlz/dataC/pysot/ubuntupysot:$PYTHONPATH
随后：
python tools/demo.py –config experiments/siamrpn_r50_l234_dwxcorr/config.yaml –snapshot experiments/siamrpn_r50_l234_dwxcorr/model.pth –video infrared/airplane_6_24_1
试运行demo.py：
成功
运行test.py
cd experiments/siamrpn_r50_l234_dwxcorr
python -u …/…/tools/test.py –snapshot model.pth –dataset OTB100 –config config.yaml
运行eval.py
python …/…/tools/eval.py –tracker_path ./results –dataset OTB50 –num 1 –tracker_prefix ‘siamRPNpp’
python tools/eval.py –tracker_path ./results –dataset OTB100 –num 1 –tracker_prefix ‘siamRPNpp’
OTB50准确率：
OTB100准确率：
代码笔记：
在…/pysot/experiments/siamrpn_r50_l234_dwxcorr下运行代码，将参数arg.dataset=OTB100,arg.config=config.yaml,arg.snapshot=model.pth传入。将{OTB100:path}打包成字典进入DatasetFactory.create_dataset,进入otb.py的OTBDataset
Appendix：
precesion plot(精度测算)主要指的是预测位置中心点与benchmark中标注的中心位置间的欧式距离，是以像素为单位进行的计算。一般是小于20则认为准确。
success plot(成功率测算)主要指的是预测目标所在benchmark的重合程度。通过success plot对scale和precision都有了数值上的描述。（success plot的计算方法如下，rt为tracked bounding box，r0为ground_truth bounding box）
