概述
简述
Centerface的非官方版本,实现了速度和准确性之间的最佳平衡。Centerface是一种适用于边缘设备的实用无锚目标检测和对齐方法。项目提供训练脚本、训练数据集和预训练模型,方便用户复现结果。
参考实现:
url=https://github.com/chenjun2hao/CenterFace.pytorch commit_id=585ce2c4fb80ae6ab236f79f06911e2f8bef180c
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 - PyTorch 1.8 - PyTorch 1.11 - PyTorch 2.1 - 环境准备指导。
请参考《Pytorch框架训练环境准备》。
安装依赖。
# 安装依赖包 # for pip cd ${模型文件夹名称} pip install -r requirements.txt # for conda conda env create -f enviroment.yaml
# 编译(编译过的可跳过,编译需要先执行以下操作,否找可能出现 ModuleNotFoundError: No module named 'external.nms') cd ${模型文件夹名称}/src/lib/external make
# 安装评测时用到的bbox库扩展方法bbox_overlaps cd ${模型文件夹名称}/evaluate python3 setup.py install
准备数据集
准备数据
请用户自行准备好数据集,包含训练集和验证集两部分,可选用的数据集包括WIDER-FACE等。上传到服务器任意路径并解压;“WIDER_FACE_DATA_ALL.zip”文件里面有“annotations.zip”、“labels”、“WIDER_train.zip”、“WIDER_val.zip”、“groud_truth”文件。
在当前源码包根目录下建立“data/wider_face/image”文件夹。将“annotations.zip”、“labels”、“WIDER_train.zip”、“WIDER_val.zip”复制到服务器的源码包根目录“data/wider_face”目录下并解压,“groud_truth”复制到源码包根目录下。将“WIDER_train”中的“images”复制到源码包根目录下的“data/wider_face/image”文件夹中。数据集目录结构参考:
├── data ├──wider_face ├──labels ├──WIDER_train ├──WIDER_val ├──annotations ├──image ├──0-Parade 分类1 ├──图片1 ├──图片2 ... ├──1-Handshaking 分类2 ├──图片1 ├──图片2 ... .. ├── groud_truth ├── wider_easy_val.mat ├── wider_face_val.mat ├── wider_hard_val.mat ├── wider_medium_val.mat
说明: 该数据集的训练过程脚本只作为一种参考示例。
获取预训练模型
请参考原始仓库上的README.md进行预训练模型获取。
开始训练
训练模型
进入解压后的源码包根目录。
cd /${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。
单机单卡训练
启动单卡训练。
bash ./test/train_full_1p.sh --data_path=/data/xxx/ # 单卡精度 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
--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: --batch_size // 数据批大小 --device-list // 设备id --world_size // 使用卡数量 --lr // 学习率 --lr_step // 多少个step学习率调整 --port // 分布式master端口 --num_epochs // 训练轮数
训练日志路径:网络脚本test下output文件夹内。例如:
test/output/devie_id/CenterFace_${device_id}.log # 训练脚本原生日志 test/output/devie_id/CenterFace_bs1024_8p_perf.log # 8p性能训练结果日志 test/output/devie_id/CenterFace_bs1024_8p_acc.log # 8p精度训练结果日志
训练完成后,训练生成的模型默认会写入到和test文件同一目录下。当训练正常结束时,checkpoint.pth.tar为最终结果。
训练结果展示
表 2 训练结果展示表
NAME | Acc | FPS | Epochs | AMP_Type | Torch_Version |
---|---|---|---|---|---|
1p-竞品V | - | 28 | 1 | - | 1.5 |
8p-竞品V | easy:85.75;medium:84.96;hard:67.15 | 235 | 140 | - | 1.5 |
1p-NPU | - | 38.73 | 1 | O1 | 1.8 |
8p-NPU | easy:87.03;medium:86.50;hard:70.17 | 281.65 | 140 | O1 | 1.8 |
版本说明
变更
2021.10.17:首次发布。
已知问题
无。
公网地址说明
代码涉及公网地址参考 public_address_statement.md