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：

  [object Object]

• 适配昇腾 AI 处理器的实现：

  [object Object]

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。

  [object Object]

  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

  [object Object]

  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

1. 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。

   [object Object]

   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

1. 进入解压后的源码包根目录。

   [object Object]

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。
   mask_rcnn启动训练

   • 单机单卡训练

     启动单卡训练。

     [object Object]

   • 单机8卡训练

     启动8卡训练。

     [object Object]

   • 多机多卡性能数据获取流程

     [object Object]

   faster_rcnn启动训练

   • 单机单卡训练

     启动单卡训练。

     [object Object]

   • 单机8卡训练

     启动8卡训练。

     [object Object]

   • 多机多卡性能数据获取流程

     [object Object]

   --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。

   [object Object]

   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