---
title: FaceBoxes-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: FaceBoxes,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/8a943851eddd48feae25be7e26b0be15
section: (其他)
---

# FaceBoxes-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/8a943851eddd48feae25be7e26b0be15
描述: 生态贡献模型
关键词: FaceBoxes,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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

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 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

FaceBoxes-PyTorch

## FaceBoxes-PyTorch

视觉检测与跟踪PyTorch训练162次浏览2025/12/29更新

查看模型源码

FaceBoxes-PyTorch

查看模型源码

模型使用

版本信息

模型使用

版本信息

...

# 概述

## 简述

FaceBoxes是一款可以在cpu上实现实时，高准确率的目标检测模型。它包含快速消化卷积层和多尺度卷积层，快速消化卷积层用来解决CPU上的实时问题，多尺度卷积层用来提高目标在不同尺度下的检测性能。

- 参考实现：

```
url=https://github.com/zisianw/FaceBoxes.PyTorch
commit_id=9bc5811fe8c409a50c9f23c6a770674d609a2c3a
```
- 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 |
| PyTorch 1.8 | torchvision==0.9.1 |
- 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。
- 编译环境

导入环境变量。

```
source scripts/npu_set_env.sh
```

```
git clone https://github.com/Levi0223/FDDB_Evaluation.git
cd FDDB_Evaluation
python3 setup.py build_ext --inplace
mv ../convert.py ../split.py ./
```

## 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WIDER_FACE等，将图片放在如下所示目录下（数据集包含32203张图片）。

```
# $FaceBoxes_ROOT 为项目根目录
$FaceBoxes_ROOT/data/WIDER_FACE/images/
```

下载转换后的标注文件将其放在这个目录下。

```
$FaceBoxes_ROOT/data/WIDER_FACE/annotations/
```

以WiderFace数据集为例，数据集目录结构参考如下所示。

```
data
 ├── WIDER_FACE
 │   ├── images
 |   │   ├──0--Parade
 |   │   ├── ...
 |   │   ├──38--Tennis
 │   |   ├── ...
 │   ├── annotations
 |   │   ├──0_Parade_marchingband_1_100.xml
 |   │   ├── ...
 |   │   ├──0_Parade_marchingband_1_6.xml
 │   |   ├── ...
 │   ├── img_list.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 ./scripts/train_1p.sh  # 单卡精度

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

启动8卡训练。

```
bash ./scripts/train_8p.sh  # 8卡精度

bash ./scripts/train_performance_8p.sh  # 8卡性能
```
- 单机单卡评测

启动单卡评测。

```
bash test.sh  # 单卡评测
```

模型训练脚本参数说明如下。

```
公共参数：
--training_dataset                  //数据集路径
--dist_url                          //分布式地址
--multiprocessing-distributed       //是否使用多卡训练
--print-freq                        //使用频率
--num_workers                       //加载数据进程数
--world_size                        //使用卡数
--epoch                             //重复训练次数
--batch-size                        //训练批次大小
--device                            //使用设备
--rank                              //使用卡排名
多卡训练参数：
--device-list '0,1,2,3,4,5,6,7'     //多卡训练指定训练用卡
```

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 | - | - | 1 | O2 | 1.5 |
| 8p-竞品V | 0.944 | - | 300 | O2 | 1.5 |
| 1p-NPU | - | - | 1 | O2 | 1.5 |
| 8p-NPU | 0.9396 | - | 300 | O2 | 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。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/08/14 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo |

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)