--- title: FCOS-PyTorch-模型库-ModelZoo-昇腾社区 description: FCOS是一个全卷积的one-stage目标检测模型，相比其他目标检测模型FCOS没有锚框和提议，进而省去了相关的复杂计算。 keywords: FCOS,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/2dccf60a1aa44e44838d92253e951868 section: (其他) --- # FCOS-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/2dccf60a1aa44e44838d92253e951868 描述: FCOS是一个全卷积的one-stage目标检测模型，相比其他目标检测模型FCOS没有锚框和提议，进而省去了相关的复杂计算。 关键词: FCOS,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) FCOS-PyTorch ## FCOS-PyTorch 视觉检测与跟踪PyTorch训练268次浏览2026/02/02更新 查看模型源码 FCOS-PyTorch 查看模型源码 ... # 概述 ## 简述 FCOS是一个全卷积的one-stage目标检测模型，相比其他目标检测模型，FCOS没有锚框和提议，进而省去了相关的复杂计算，以及相关的超参， 这些超参通常对目标检测表现十分敏感。借助唯一的后处理NMS，结合ResNeXt-64X4d-101的FCOS在单模型和单尺度测试中取得了44.7%的AP， 因其简化性在现有one-stage目标检测模型中具有显著优势。 - 参考实现： ``` url=https://github.com/open-mmlab/mmdetection/tree/v2.9.0/configs/fcos commit_id=6c1347d7c0fa220a7be99cb19d1a9e8b6cbf7544 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/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==0.2.2.post3；pillow==8.4.0 | | PyTorch 1.8 | torchvision==0.9.1；pillow==9.1.0 | - 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 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 - 准备mmcv环境。 1. 进入源码包根目录，下载mmcv，最好是1.2.7版本的（版本要求是1.2.5以上，1.3.0以下）。 ``` cd FCOS git clone -b v1.2.7 git://github.com/open-mmlab/mmcv.git ``` 1. 用mmcv_need里的文件替换mmcv中对应的文件。 ``` cp -f mmcv_need/_functions.py ./mmcv/mmcv/parallel/ cp -f mmcv_need/builder.py ./mmcv/mmcv/runner/optimizer/ cp -f mmcv_need/distributed.py ./mmcv/mmcv/parallel/ cp -f mmcv_need/data_parallel.py ./mmcv/mmcv/parallel/ cp -f mmcv_need/dist_utils.py ./mmcv/mmcv/runner/ cp -f mmcv_need/optimizer.py ./mmcv/mmcv/runner/hooks/ cp -f mmcv_need/checkpoint.py ./mmcv/mmcv/runner/ ``` 1. 以下三个文件的替换是为了在log中打印出FPS的信息，替换与否对模型训练无影响。 ``` cp -f mmcv_need/iter_timer.py ./mmcv/mmcv/runner/hooks/ cp -f mmcv_need/base_runner.py ./mmcv/mmcv/runner/ cp -f mmcv_need/epoch_based_runner.py ./mmcv/mmcv/runner/ ``` 1. 推荐使用conda管理。 ``` conda create -n fcos --clone env # 复制一个已经包含依赖包的环境 conda activate fcos ``` 1. 配置安装mmcv。 ``` cd mmcv export MMCV_WITH_OPS=1 export MAX_JOBS=8 python3.7 setup.py build_ext python3.7 setup.py develop pip3 list | grep mmcv # 查看版本和路径 ``` 1. 配置安装mmdet。 ``` cd Fcos pip3 install -r requirements/build.txt python3.7 setup.py develop pip3 list | grep mmdet # 查看版本和路径 ``` 1. 修改apex中的113行，主要是为了支持O1，参考路径root/archiconda3/envs/fcos/lib/python3.7/site-packages/apex/amp/utils.py。 ``` if cached_x.grad_fn.next_functions[1][0].variable is not x: ``` 改成: ``` if cached_x.grad_fn.next_functions[0][0].variable is not x: ``` ## 准备数据集 1. 请用户自行准备好数据集，包含训练集、验证集和标签三部分，可选用的数据集又COCO、PASCAL VOC数据集等。 2. 上传数据集到data文件夹，以coco2017为例，数据集在`data/coco`目录下分别存放于train2017、val2017、annotations文件夹下。 3. 当前提供的训练脚本中，是以coco2017数据集为例，在训练过程中进行数据预处理。 数据集目录结构参考如下： ``` ├── 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。 # 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。 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_full_1p.sh --data_path=/data/xxx/ # 精度训练 bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 性能训练 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 精度训练 bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 性能训练 ``` - 多机多卡训练 多机多卡性能数据获取流程，在每个节点上执行： ``` bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size --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。 模型训练脚本参数说明如下。 ``` --data_path //数据集路径 --device_id //npu卡号 --batch-size //训练批次大小 ``` 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 | NAME | CPU_Type | Acc@1 | FPS | Epochs | AMP_Type | Loss_Scale | Torch_Version | | --- | --- | --- | --- | --- | --- | --- | ---| | 1p-竞品V | X86 | 12.6 | 19.2 | 1 | O1 | dynamic | 1.5 | | 8p-竞品V | X86 | 36.2 | 102.0 | 12 | O1 | dynamic | 1.5 | | 1p-Npu | 非ARM | 16.4 | 3.19 | 1 | O1 | 32.0 | 1.8 | | 8p-Npu | 非ARM | 36.2 | 44.81 | 12 | O1 | 32.0 | 1.8 | | 8p-Npu | ARM | 36.2 | 41.18 | 12 | O1 | 32.0 | 1.8 | # 版本说明 ## 变更 2022.12.21：更新Readme。 ## FAQ 无。 | 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)