--- title: CenterNet-Pytorch-模型库-ModelZoo-昇腾社区 description: CenterNet使用关键点检测的方法去预测目标边框的中心点，然后回归出目标的其他属性，例如大小、3D位置、方向甚至是其姿态。而且这个方向相比之前的目标检测器，实现起来更加简单，推理速度更快，精度更高。 keywords: CenterNet,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/f59fcd23aefa43d4bdeb9f41e000f527 section: (其他) --- # CenterNet-Pytorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/f59fcd23aefa43d4bdeb9f41e000f527 描述: CenterNet使用关键点检测的方法去预测目标边框的中心点，然后回归出目标的其他属性，例如大小、3D位置、方向甚至是其姿态。而且这个方向相比之前的目标检测器，实现起来更加简单，推理速度更快，精度更高。 关键词: CenterNet,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) CenterNet-Pytorch ## CenterNet-Pytorch 视觉检测与跟踪PyTorch训练512次浏览2026/01/19更新 5.0 获取源码 CenterNet-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 CenterNet使用关键点检测的方法去预测目标边框的中心点，然后回归出目标的其他属性，例如大小、3D位置、方向甚至是其姿态。而且这个方向相比之前的目标检测器，实现起来更加简单，推理速度更快，精度更高。 - 参考实现： ``` url=https://github.com/xingyizhou/CenterNet.git commit_id=5b1a490a52da57d3580e80b8bb4bbead9ef2af96 ``` - 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 | | 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。 - 安装COCOAPI ``` git clone https://github.com/cocodataset/cocoapi.git cd cocoapi/PythonAPI python setup.py install cd - ``` - 编译可变形卷积（来自DCNv2） ``` cd ./src/lib/models/networks/DCNv2 ./make.sh cd - ``` - 编译NMS ``` cd ./src/lib/external make cd - ``` ## 准备数据集 1. 获取数据集。 用户可自行获取Pscal VOC数据集，将数据集上传到服务器任意路径下并解压；也可以通过下述脚本进行数据集的获取。 - 运行脚本： ``` cd ./src/tools/ bash get_pascal_voc.sh ``` - 上述脚本内容包含： - 从VOC网站下载、解压缩和移动Pascal VOC图像。 - 下载COCO格式的Pascal VOC注释（从Detectron下载）。 - 将train/val 2007/2012注释文件合并到单个json中。 数据集目录结构参考如下所示。 ``` |-- data |-- |-- voc |-- |-- annotations | |-- pascal_trainval0712.json | |-- pascal_test2017.json |-- images | |-- 000001.jpg | ...... |-- VOCdevkit ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 备注：Vocdevkit需要用faster rcnn去运行评估脚本。 # 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=数据集路径 # 单卡精度 bash ./test/train_performance_1p.sh --data_path=数据集路径 # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=数据集路径 # 8卡精度 bash ./test/train_performance_8p.sh --data_path=数据集路径 # 8卡性能 ``` - 单机8卡评测 启动8卡评测。 ``` bash ./test/train_eval.sh --data_path=数据集路径 # 8卡精度评测 ``` - 多机多卡训练 启动多机多卡训练。 ``` 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 --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。 ``` 公共参数： --data_path //数据集路径 --num_workers //加载数据进程数 --num_epochs //重复训练次数 --batch_size //训练批次大小 --lr //初始学习率，默认：3.54e-4 --device_list //训练指定训练用卡 --world-size //分布式训练节点数量 ``` 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 | - | 143 | 1 | - | 1.5 | | 8p-竞品V | 71.31 | 542 | 90 | - | 1.5 | | 1p-NPU-ARM | - | 164.08 | 1 | O1 | 1.8 | | 8p-NPU-ARM | 70.4 | 1257.444 | 90 | O1 | 1.8 | | 1p-NPU-非ARM | | 169.69 | 1 | O1 | 1.8 | | 8p-NPU-非ARM | | 1409.823 | 90 | O1 | 1.8 | # 版本说明 ## 变更 2023.02.14：更新readme，重新发布。 2021.10.09：首次发布。 ## FAQ 1. 若出现无法找到datasets包的问题，本模型使用的是lib目录下的本地文件，请删除环境中同名三方库。 2. 针对在1.11版本torch下，DCNv2编译失败问题，可删除原DCNv2文件，并在该文件目录“CenterNet/src/lib/models/networks”下，重新拉取DCNv2源码包。 ``` git clone -b pytorch_1.11 https://github.com/lbin/DCNv2.git ``` # 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 | | --- | --- | --- | --- | --- | ---| | 5.0.RC3 | 2023/11/02 | Mixed | Ascend 910 | 7.0.RC1 | modelzoo | 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)