概述
简述
FasterRCNN是一个业界领先的目标检测网络,他继承了FastRCNN的候选区域+目标识别架构,并在其基础上提出了候选区域网络(RPN)这一概念。通过共享全图卷积特征,FasterRCNN成功做到了让RPN不带来额外时间开销;而RPN的引入则将时下流行的神经网络“注意力”机制引入到了目标检测网络中。这些特性让FasterRCNN在ILSVRC以及COCO 2015等一系列竞赛上收获了第一名的成绩,同时在VGG-16等模型上拥有5fps的高速率。
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/built-in/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 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》。
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。
源码编译
Detectron2
。编译器版本:gcc & g++ ≥ 5
python3 -m pip install -e ./
说明: 在重装PyTorch之后,通常需要重新编译detectron2。重新编译之前,需要使用
rm -rf build/**/*.so
删除旧版本的build文件夹及对应的.so文件。
准备数据集
获取数据集。
用户自行获取原始
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。
├── coco2017 │ ├── annotations │ ├── captions_train2017.json │ ├── captions_val2017.json │ ├── instances_train2017.json │ ├── instances_val2017.json │ ├── person_keypoints_train2017.json │ ├── person_keypoints_val2017.json │ ├── train2017 │ ├── 000000000009.jpg │ ├── 000000000025.jpg │ ├── ...... │ ├── val2017 │ ├── 000000000139.jpg │ ├── 000000000285.jpg │ ├── ......
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
模型脚本会自动下载预训练权重文件。若下载失败,请自行准备 R-101.pkl
权重文件,将权重文件放到数据集同级路径下。
开始训练
训练模型
进入解压后的源码包根目录。
cd /${模型文件夹名称}
运行训练脚本。
该模型支持单机单卡训练和单机8卡训练。
mask_rcnn启动训练单机单卡训练
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
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*所有卡数 --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
faster_rcnn启动训练
单机单卡训练
启动单卡训练。
bash ./test/train_faster_rcnn_full_1p.sh --data_path=/data/xxx/ # 单卡精度 bash ./test/train_faster_rcnn_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_faster_rcnn_full_8p.sh --data_path=/data/xxx/ # 8卡精度 bash ./test/train_faster_rcnn_performance_8p.sh --data_path=/data/xxx/ # 8卡性能
多机多卡性能数据获取流程
1. 安装环境 2. 开始训练,每个机器请按下面提示进行配置 bash ./test/train_faster_rcnn_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size*所有卡数 --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。
--hf32开启HF32模式,不与FP32模式同时开启
--fp32开启FP32模式,不与HF32模式同时开启
模型训练脚本参数说明如下。
公共参数: AMP //开启混合精度 OPT_LEVEL //设置混合精度优化等级为O2 LOSS_SCALE_VALUE //设置损失函数缩放倍率为64 MODEL.DEVICE //指定运行脚本的物理设备 SOLVER.IMS_PER_BATCH //指定输入batch中的图片张数 SOLVER.MAX_ITER //指定最大训练迭代数(超过时训练终止) MODEL.RPN.NMS_THRESH //指定NMS阈值 MODEL.ROI_BOX_HEAD.POOLER_SAMPLING_RATIO //指定BOX POOLER采样率 MODEL.ROI_MASK_HEAD.POOLER_SAMPLING_RATIO //指定MASK POOLER采样率 DATALOADER.NUM_WORKERS //指定DATALOADER所用进程个数 SOLVER.BASE_LR //指定学习率
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
mask_rcnn结果
NAME | Acc@1 | FPS | Iters | AMP_Type | Torch_Version |
---|---|---|---|---|---|
1p-竞品V | - | - | 400 | - | 1.5 |
8p-竞品V | 32.7 | - | 10250 | O2 | 1.12 |
1p-NPU | - | 6.071 | 400 | O2 | 1.8 |
8p-NPU | 32.4 | 42.933 | 10250 | O2 | 1.8 |
faster_rcnn结果
NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version |
---|---|---|---|---|---|
1p-竞品V | - | - | 3000 | - | 1.5 |
8p-竞品V | - | - | 11250 | - | 1.5 |
1p-NPU | - | 11.711 | 3000 | O2 | 1.8 |
8p-NPU | 26.6 | 88.901 | 11250 | O2 | 1.8 |
版本说明
变更
2022.8.29:更新内容,重新发布。
FAQ
无。
公网地址说明
代码涉及公网地址参考 public_address_statement.md