--- title: FasterRCNN-Pytorch-模型库-ModelZoo-昇腾社区 description: FasterRCNN是一个目标检测网络，继承了FastRCNN的候选区域+目标识别架构，并在其基础上提出了候选区域网络（RPN）这一概念。 keywords: FasterRCNN,Pytorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 url: https://www.hiascend.com/software/modelzoo/models/detail/06386b7af88c4fbebbe9d17b02a3aef1 section: (其他) --- # FasterRCNN-Pytorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/06386b7af88c4fbebbe9d17b02a3aef1 描述: FasterRCNN是一个目标检测网络，继承了FastRCNN的候选区域+目标识别架构，并在其基础上提出了候选区域网络（RPN）这一概念。 关键词: FasterRCNN,Pytorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) FasterRCNN-Pytorch ## FasterRCNN-Pytorch 视觉检测与跟踪PyTorch训练863次浏览2025/12/29更新 获取源码 FasterRCNN-Pytorch 查看模型源码 ... # 概述 ## 简述 FasterRCNN是一个业界领先的目标检测网络，他继承了FastRCNN的候选区域+目标识别架构，并在其基础上提出了候选区域网络（RPN）这一概念。通过共享全图卷积特征，FasterRCNN成功做到了让RPN不带来额外时间开销；而RPN的引入则将时下流行的神经网络“注意力”机制引入到了目标检测网络中。这些特性让FasterRCNN在ILSVRC以及COCO 2015等一系列竞赛上收获了第一名的成绩，同时在VGG-16等模型上拥有5fps的高速率。 - 参考实现： ``` url=https://github.com/facebookresearch/detectron2.git commit_id=be792b959bca9af0aacfa04799537856c7a92802 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/built-in/cv/detection ``` # 准备训练环境 ## 准备环境 - 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 1.5 | torchvision==0.6.0 | | PyTorch 1.8 | torchvision==0.9.1 | | PyTorch 1.11 | torchvision==0.12.0 | | PyTorch 2.1 | torchvision==0.16.0 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 1.5_requirements.txt # PyTorch1.5版本 pip install -r 1.8_requirements.txt # PyTorch1.8版本 pip install -r 1.11_requirements.txt # PyTorch1.11版本 pip install -r 2.1_requirements.txt # PyTorch2.1版本 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 - 源码编译`Detectron2`。 编译器版本：gcc & g++ ≥ 5 ``` python3 -m pip install -e ./ ``` 说明：在重装PyTorch之后，通常需要重新编译detectron2。重新编译之前，需要使用`rm -rf build/**/*.so`删除旧版本的build文件夹及对应的.so文件。 ## 准备数据集 1. 获取数据集。 用户自行获取原始`COCO`数据集，将数据集上传到服务器任意路径下并解压。 数据集目录结构参考如下所示。 ``` ├── coco2017 │ ├── annotations │ ├── captions_train2017.json │ ├── captions_val2017.json │ ├── instances_train2017.json │ ├── instances_val2017.json │ ├── person_keypoints_train2017.json │ ├── person_keypoints_val2017.json │ ├── train2017 │ ├── 000000000009.jpg │ ├── 000000000025.jpg │ ├── ...... │ ├── val2017 │ ├── 000000000139.jpg │ ├── 000000000285.jpg │ ├── ...... ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 ## 获取预训练模型 模型脚本会自动下载预训练权重文件。若下载失败，请自行准备`R-101.pkl`权重文件，将权重文件放到数据集同级路径下。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。mask_rcnn启动训练 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 8卡精度 bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 8卡性能 ``` - 多机多卡性能数据获取流程 ``` 1. 安装环境 2. 开始训练，每个机器请按下面提示进行配置 bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size*所有卡数 --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP ``` faster_rcnn启动训练 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_faster_rcnn_full_1p.sh --data_path=/data/xxx/ # 单卡精度 bash ./test/train_faster_rcnn_performance_1p.sh --data_path=/data/xxx/ # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_faster_rcnn_full_8p.sh --data_path=/data/xxx/ # 8卡精度 bash ./test/train_faster_rcnn_performance_8p.sh --data_path=/data/xxx/ # 8卡性能 ``` - 多机多卡性能数据获取流程 ``` 1. 安装环境 2. 开始训练，每个机器请按下面提示进行配置 bash ./test/train_faster_rcnn_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size*所有卡数 --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP ``` --data_path参数填写数据集路径，需写到数据集的一级目录。 --hf32开启HF32模式，不与FP32模式同时开启 --fp32开启FP32模式，不与HF32模式同时开启 模型训练脚本参数说明如下。 ``` 公共参数： AMP //开启混合精度 OPT_LEVEL //设置混合精度优化等级为O2 LOSS_SCALE_VALUE //设置损失函数缩放倍率为64 MODEL.DEVICE //指定运行脚本的物理设备 SOLVER.IMS_PER_BATCH //指定输入batch中的图片张数 SOLVER.MAX_ITER //指定最大训练迭代数（超过时训练终止） MODEL.RPN.NMS_THRESH //指定NMS阈值 MODEL.ROI_BOX_HEAD.POOLER_SAMPLING_RATIO //指定BOX POOLER采样率 MODEL.ROI_MASK_HEAD.POOLER_SAMPLING_RATIO //指定MASK POOLER采样率 DATALOADER.NUM_WORKERS //指定DATALOADER所用进程个数 SOLVER.BASE_LR //指定学习率 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 # 训练结果展示 表 2训练结果展示表 mask_rcnn结果 | NAME | Acc@1 | FPS | Iters | AMP_Type | Torch_Version | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | - | - | 400 | - | 1.5 | | 8p-竞品V | 32.7 | - | 10250 | O2 | 1.12 | | 1p-NPU | - | 6.071 | 400 | O2 | 1.8 | | 8p-NPU | 32.4 | 42.933 | 10250 | O2 | 1.8 | faster_rcnn结果 | NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version | | --- | --- | --- | --- | --- | ---| | 1p-竞品V | - | - | 3000 | - | 1.5 | | 8p-竞品V | - | - | 11250 | - | 1.5 | | 1p-NPU | - | 11.711 | 3000 | O2 | 1.8 | | 8p-NPU | 26.6 | 88.901 | 11250 | O2 | 1.8 | # 版本说明 ## 变更 2022.8.29：更新内容，重新发布。 ## FAQ 无。 # 公网地址说明 代码涉及公网地址参考 public_address_statement.md | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| 暂无数据 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)