---
title: SSD-PyTorch-模型库-ModelZoo-昇腾社区
description: SSD 模型利用不同尺度的特征图进行目标的检测，SSD 采用多个尺度检测方法是将 VGG16 网络输出的大特征图逐步采用步长为 2的卷积操作，生成不同大小的特征图。
keywords: SSD,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/ffc06c50ec6d464c986641775b3e5f44
section: (其他)
---

# SSD-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/ffc06c50ec6d464c986641775b3e5f44
描述: SSD 模型利用不同尺度的特征图进行目标的检测，SSD 采用多个尺度检测方法是将 VGG16 网络输出的大特征图逐步采用步长为 2的卷积操作，生成不同大小的特征图。
关键词: SSD,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)

SSD-PyTorch

## SSD-PyTorch

视觉检测与跟踪PyTorch训练230次浏览2026/01/19更新

查看模型源码

SSD-PyTorch

查看模型源码

...

# 概述

## 简述

SSD 模型利用不同尺度的特征图进行目标的检测，SSD 采用多个尺度检测方法是将 VGG16 网络输出的大特征图逐步采用步长为 2的卷积操作，生成不同大小的特征图。本项目实现了 SSD (Single Shot MultiBox Detector) 在 NPU 上的训练，迁移自`MMDetection`，`MMCV`。

- 参考实现：

```
url=https://github.com/open-mmlab/mmdetection/tree/master/configs/ssd
commit_id=e33ecfed37f594050e13537972e65f0ccf079982c
```
- 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。
- 安装 MMCV。

```
git clone -b v1.2.7 git://github.com/open-mmlab/mmcv.git

cp -f mmcv_need/_functions.py mmcv/mmcv/parallel/
cp -f mmcv_need/builder.py mmcv/mmcv/runner/optimizer/
cp -f mmcv_need/data_parallel.py mmcv/mmcv/parallel/
cp -f mmcv_need/dist_utils.py mmcv/mmcv/runner/
cp -f mmcv_need/distributed.py mmcv/mmcv/parallel/
cp -f mmcv_need/optimizer.py mmcv/mmcv/runner/hooks/
cp -f mmcv_need/epoch_based_runner.py mmcv/mmcv/runner/
cp -f mmcv_need/symbolic.py mmcv/mmcv/onnx/

cd mmcv
export MMCV_WITH_OPS=1 
export MAX_JOBS=8
python3 setup.py build_ext
python3 setup.py develop
pip3.7 list | grep mmcv
cd ..
```
- 安装 MMDetection。

```
pip3.7 install -r requirements/build.txt
pip3.7 install -v -e .
pip3.7 list | grep mmdet
```

## 准备数据集

1. 获取数据集。

用户自行获取coco数据集，将数据集上传到任意路径下并解压在当前路径。

coco数据集目录结构参考如下所示（当前数据集所在位置为在源码包根目录下新建的“data/”目录下）。

```
SSD
├── configs
├── data
│   └── coco
│       ├── annotations
│       ├── train2017
│       ├── val2017
│       └── test2017
├── mmcv
├── mmdet
├── tools
```

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_performance_1p.sh --data_path=xxx  # 单卡性能
bash ./test/train_full_1p.sh --data_path=xxx # 单卡精度
```
- 单机8卡训练

启动8卡训练。

```
bash ./test/train_performance_8p.sh --data_path=xxx  # 8卡性能
bash ./test/train_full_8p.sh --data_path=xxx # 8卡精度
```
- 单机8卡评测

启动8卡评测。

```
bash ./test/train_eval_8p.sh --data_path=xxx # 8卡评测
```
- 多机多卡性能数据获取流程

```
1. 安装环境
2. 开始训练，每个机器所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：
config                              //训练配置文件路径
--work-dir                          //保存日志和模型的目录
--resume-from                       //检查点文件
--no-validate                       //训练期间是否不评估检查点
--gpus                              //训练卡的数量
--gpu-ids                           //训练卡的ids
--seed                              //随机种子
--options                           //合并配置文件(不推荐)
--cfg-options                       //合并配置文件(推荐)
--launcher                          //作业启动器
```

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。
3. 计算FPS值。

FPS 可使用 calc_fps.py 计算，使用方法为：

```
python3 calc_fps.py xxx.log.json ${gpu_nums} ${batch_size}
```

参数batch_size是模型训练加载图片的批次大小。

参数gpu_nums是模型训练时启动的卡数。

xxx.log.json是模型训练完成后生成的json文件，用于计算FPS值。

# 训练结果展示

表 2训练结果展示表

| NAME | 0.5:0.95mAP | FPS | Epochs | AMP_Type | Torch_Version |
| --- | --- | --- | --- | --- | ---|
| 1p-竞品V | - | - | - | - | 1.5 |
| 8p-竞品V | - | - | - | - | 1.5 |
| 1p-npu | - | 13.55 | 1 | O2 | 1.8 |
| 8p-npu | 25.5 | 137.21 | 24 | O2 | 1.8 |

说明：该模型的性能评测需开启二进制。

# 版本说明

## 变更

2022.10.14：更新torch1.8版本，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)