---
title: Cascade_RCNN-PyTorch-模型库-ModelZoo-昇腾社区
description: Cascade_RCNN通过级联网络实现视觉目标检测。
keywords: Cascade,RCNN,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述
url: https://www.hiascend.com/software/modelzoo/models/detail/bd16938c36e546afb196b858c069afb9
section: (其他)
---

# Cascade_RCNN-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/bd16938c36e546afb196b858c069afb9
描述: Cascade_RCNN通过级联网络实现视觉目标检测。
关键词: Cascade,RCNN,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述

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)

Cascade_RCNN-PyTorch

## Cascade_RCNN-PyTorch

视觉检测与跟踪PyTorch训练310次浏览2026/02/02更新

5.0

查看模型源码

Cascade_RCNN-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

Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的，与普通级联不同，Cascade R-CNN的几个检测网络是基于不同IOU阈值的正负样本上训练得到的。

- 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/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==0.6.0 |
| 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。
- 安装`detectron2`。

```
source Cascade_RCNN/test/env_npu.sh
cd Cascade_RCNN
python3.7 setup.py build develop
```

## 准备数据集

1. 获取数据集。

用户自行下载`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。

```
 ├── 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。

## 获取预训练模型

用户自行下载`R-101.pkl`预训练模型，将获取的预训练模型放至在源码包根目录下，并将`configs/COCO-Detection/cascade_rcnn_R_101_FPN_1x.yaml`配置文件中`MODEL.WEIGHTS`设置为`R-101.pkl`的绝对路径。

# 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_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
```
- 单机8卡评测

启动8卡评测。

```
bash ./test/train_eval_8p.sh --data_path=real_data_path --pth_path=real_pre_train_model_path # 8卡评测
```

--data_path参数填写数据集路径，需写到数据集的一级目录。

--pth_path参数填写训练权重生成路径，需写到权重文件的一级目录。

模型训练脚本参数说明如下。

```
公共参数：
--config-file                       //使用配置文件路径
--device-ids                        //设备id
--num-gpu                           //使用卡数量
AMP                                 //是否使用混合精度
OPT_LEVEL                           //混合精度类型
LOSS_SCALE_VALUE                    //混合精lossscale大小
SOLVER.IMS_PER_BATCH                //训练批次大小
SOLVER.MAX_ITER                     //训练迭代次数
SOLVER.STEPS                        //达到相应迭代次数时lr缩小十倍
DATALOADER.NUM_WORKERS              //加载数进程数
SOLVER.BASE_LR                      //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

| NAME | Ap | FPS | Iters | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | - | 10 | 1000 | - | 1.5 |
| 8p-竞品V | 42.72 | 80 | 45000 | - | 1.5 |
| 1p-NPU | - | 6.16 | 1000 | O2 | 1.8 |
| 8p-NPU | 42.445 | 47.79 | 45000 | O2 | 1.8 |

# 版本说明

## 变更

2021.10.17：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 | 2023/05/19 | Mixed | Ascend 910 | 6.0.1 | 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)