文档HOT
下载
EN
注册
ModelZoo 主页
主页大模型模型库工具库权重库ModelShow文档中心论坛交流
模型库
YOLOv3-PyTorch
YOLOv3-PyTorch

概述

简述

YOLOv3借鉴了YOLOv1和YOLOv2，在保持YOLO家族速度的优势的同时，提升了检测精度，尤其对于小物体的检测能力。YOLOv3算法使用一个单独神经网络作用在图像上，将图像划分多个区域并且预测边界框和每个区域的概率。

  • 参考实现：

    url=https://github.com/open-mmlab/mmdetection/tree/master/configs/yolo
commit_id=3e902c3afc62693a71d672edab9b22e35f7d4776

  • 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==0.2.2.post3；pillow==8.4.0
    PyTorch 1.8 torchvision==0.9.1；pillow==9.1.0
    PyTorch 1.11 torchvision==0.12.0；pillow==9.1.0
    PyTorch 2.1 torchvision==0.16.0；pillow==9.1.0

  • 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。

  • 安装 mmcv 与 mmdet。

    1. 进入解压后的源码包根目录。

      cd /${模型文件夹名称}

    2. 编译 MMCV。

      cd ../
git clone -b v1.2.7 --depth=1 https://github.com/open-mmlab/mmcv.git

export MMCV_WITH_OPS=1
export MAX_JOBS=8
source ${模型文件夹名称}/test/env_npu.sh

cd mmcv
python3 setup.py build_ext
python3 setup.py develop
pip3.7 list | grep mmcv

      将 mmcv_need 目录下的文件替换到 mmcv 的安装目录下。 安装完后执行以下命令：

      cd ${模型文件夹名称} 
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/

      或者运行 env_set.sh 脚本，进行 MMCV 的安装

      bash env_set.sh

    3. 安装 mmdet。

      执行以下命令，安装 mmdet。

      cd YoloV3_for_PyTorch
pip3.7 install -r requirements/build.txt
pip3.7 install -v -e .
pip3.7 list | grep mm

    4. 编译安装 Opencv-python。

      为了获得最好的图像处理性能，请编译安装 opencv-python 而非直接安装。编译安装步骤如下：

      export GIT_SSL_NO_VERIFY=true
git clone https://github.com/opencv/opencv.git
cd opencv
mkdir -p build
cd build
cmake -D BUILD_opencv_python3=yes -D BUILD_opencv_python2=no -D PYTHON3_EXECUTABLE=/usr/local/python3.7.5/bin/python3.7m -D PYTHON3_INCLUDE_DIR=/usr/local/python3.7.5/include/python3.7m -D PYTHON3_LIBRARY=/usr/local/python3.7.5/lib/libpython3.7m.so -D PYTHON3_NUMPY_INCLUDE_DIRS=/usr/local/python3.7.5/lib/python3.7/site-packages/numpy/core/include -D PYTHON3_PACKAGES_PATH=/usr/local/python3.7.5/lib/python3.7/site-packages -D PYTHON3_DEFAULT_EXECUTABLE=/usr/local/python3.7.5/bin/python3.7m ..
make -j$nproc
make

准备数据集

  1. 获取数据集。

    用户自行获取 coco2017 数据集，上传至服务器任意目录下并解压，数据集目录结构参考如下所示。

    ├── coco2017 #根目录
      ├──train2017 #训练集图片，约118287张
      ├──val2017 #验证集图片，约5000张
      │──annotations #标注目录

    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_full_1p.sh --data_path=real_data_path     # 单卡精度
bash ./test/train_performance_1p.sh --data_path=real_data_path    # 单卡性能

    • 单机8卡训练

      启动8卡训练。

      bash ./test/train_full_8p.sh --data_path=real_data_path     # 8卡精度
bash ./test/train_performance_8p.sh --data_path=real_data_path    # 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 --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：
--optimizer.lr                      //初始学习率
--data.samples_per_gpu              //每个设备上的训练批次大小
--npu_ids                           //训练设备卡号

    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 - - 273 - 1.5
8p-竞品V - - 273 - 1.5
1p-NPU - 91.21 273 O2 1.8
8p-NPU 0.255 914.29 273 O2 1.8

版本说明

变更

2023.2.3：更新基线。

2022.9.28：更新内容，重新发布。

2022.3.18：首次发布。

FAQ

  1. hipcc检查问题。

    若在训练模型时，有报"which: no hipcc in (/usr/local/sbin:..." 的日志打印问题，而hipcc是amd和nvidia平台需要的，npu并不需要。

    建议在torch/utils/cpp_extension.py文件中修改代码，当检查hipcc时，抑制输出。

    将 hipcc = subprocess.check_output(['which', 'hipcc']).decode().rstrip('\r\n') 修改为 hipcc = subprocess.check_output(['which', 'hipcc'], stderr=subporcess.DEVNULL).decode().rstrip('\r\n')

  2. invalid pointer 问题。

    在Ubuntu、x86服务器上训练模型，有时会报invalid pointer的错误。

    解决方法：去掉scikit-image这个依赖，pip3 uninstall scikit-image

  3. 报 No module named 'mmcv._ext' 问题。

    在宿主机上训练模型，有时会报No module named 'mmcv._ext'问题，或者别的带有mmcv的报错。

    解决方法：这一般是因为宿主机上安装了多个版本的mmcv，而训练脚本调用到了不匹配yolov3模型使用的mmcv，因此报mmcv的错误。

    为了解决这个问题，建议在启动训练脚本前，先导入已经安装的符合 yolov3 模型需要的 mmcv 路径的环境变量。export PYTHONPATH=mmcv的路径:$PYTHONPATH 。

公网地址说明

代码涉及公网地址参考 public_address_statement.md

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》