---
title: FSAF-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: FSAF,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/313cf2bf729647ababf7ddde2d88f360?index_id=313cf2bf729647ababf7ddde2d88f360
section: (其他)
---

# FSAF-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/313cf2bf729647ababf7ddde2d88f360?index_id=313cf2bf729647ababf7ddde2d88f360
描述: 生态贡献模型
关键词: FSAF,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)

FSAF-PyTorch

## FSAF-PyTorch

视觉检测与跟踪PyTorch训练87次浏览2023/08/14更新

查看模型源码

FSAF-PyTorch

查看模型源码

...

# 概述

## 简述

FSAF为FPN每层添加anchor-free分支，包含分类与回归，在训练时，根据anchor-free分支的预测结果选择最合适的FPN层用于训练，最终的网络输出可同时综合FSAF的anchor-free分支结果以及原网络的预测结果。

- 参考实现：

```
url=https://github.com/open-mmlab/mmdetection
commit_id=2028b0c189d676ce0c7ad31f24f8a68107220855
```
- 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；mmcv==1.2.7 |
| PyTorch 1.8 | torchvision==0.9.1；mmcv==1.2.7 |
- 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。
- 安装环境。

1. 克隆`mmcv`库并放置在当前项目目录。

```
git clone -b v1.2.7 git://github.com/open-mmlab/mmcv.git
```
2. 用当前项目目录下`mmcv_need`替换`mmcv`目录下的子目录`mmcv`。

```
rm -rf mmcv/mmcv
cp -r mmcv_need mmcv
mv mmcv/mmcv_need mmcv/mmcv
```
3. 配置编译mmcv。

```
cd mmcv
export MMCV_WITH_OPS=1
export MAX_JOBS=8
python3 setup.py build_ext
python3 setup.py develop
pip3.7.5 list | grep mmcv
```
4. 安装mmdetection。

```
cd mmdetection
pip3.7.5 install -r requirements/build.txt
python3 setup.py develop
pip3.7.5 list | grep mmdet
```
5. 如果遇到`apex O1`报错，尝试修改：找到代码路径`{the path of the fsaf environment in conda}/lib/python3.7/site-packages/apex/amp/utils.py`, mine is`/root/archiconda3/envs/fsaf/lib/python3.7/site-packages/apex/amp/utils.py`

```
# change this line (line 113)
- if cached_x.grad_fn.next_functions[1][0].variable is not x:
# into this
+ if cached_x.grad_fn.next_functions[0][0].variable is not x:
```

## 准备数据集

用户自行获取原始数据集，可选用的开源数据集包括COCO等，
   并将你的数据集放置在`$FSAF/mmdetection/data`下。

以COCO2017数据集为例，数据集目录结构参考如下所示。

```
 COCO
    ├── annotations
    │      ├── instances_val2017.json
    │      ├── instances_train2017.json
    │      ├── captions_train2017.json
    │      ├── ……
    ├── images
    │   │   ├──train2017
    |   |   │   │   ├──xxxx.jpg
    │   │   ├──val2017
    |   |   │   │   ├──xxxx.jpg
    ├── labels
    │   │   ├──train2017
    |   |   │   │   ├──xxxx.txt
    │   │   ├──val2017
    |   |   │   │   ├──xxxx.txt
    ├──test-dev2017.txt
    ├──test-dev2017.shapes
    ├──train2017.txt
    ├──……
```

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  # 单卡精度

bash ./test/train_performance_1p.sh  # 单卡性能
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_full_8p.sh  # 8卡精度

bash ./test/train_performance_8p.sh  # 8卡性能
```
- 单机8卡评测

启动8卡评测。

```
bash ./test/train_eval_8p.sh real_model_path  # 8卡评测
```

real_model_path参数为实际模型路径，可不传，默认为./work_dirs/fsaf_r50_fpn_1x_coco/latest.pth。

模型训练脚本参数说明如下。

```
公共参数：
config                         //配置文件路径
```

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 | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | - | 11.39 | 1 | O1 | 1.5 |
| 8p-竞品V | 37.5 | 70.84 | 12 | O1 | 1.5 |
| 1p-NPU | - | 1.26 | 1 | O1 | 1.5 |
| 8p-NPU | 36.2 | 8.38 | 12 | O1 | 1.5 |

# 版本说明

## 变更

2020.10.14：更新内容，重新发布。

2020.07.08：首次发布。

## 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)