概述

简述

Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的，与普通级联不同，Cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的。

• 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/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==0.6.0
  PyTorch 1.8	torchvision==0.9.1

• 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

  说明： 只需执行一条对应的PyTorch版本依赖安装命令。

• 安装 detectron2 。

  source Cascade_RCNN/test/env_npu.sh
  cd Cascade_RCNN
  python3 setup.py build develop

准备数据集

1. 获取数据集。

   用户自行下载 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。

    ├── COCO
    │   │   ├── annotations
    |   |   │   │   ├── instances_val2017.json
    |   |   │   │   ├── instances_train2017.json
    |   |   │   │   ├── captions_train2017.json
    |   |   │   │   ├── ……
    │   │   ├── images
    |   |   │   │   ├──train2017
    |   |   |   |   │   │   ├──xxxx.jpg
    |   |   │   │   ├──val2017
    |   |   |   |   │   │   ├──xxxx.jpg
    │   │   ├── labels
    |   |   │   │   ├──train2017
    |   |   |   |   │   │   ├──xxxx.txt
    |   |   │   │   ├──val2017
    |   |   |   |   │   │   ├──xxxx.txt
    |   |   ├──test-dev2017.txt
    |   |   ├──test-dev2017.shapes
    |   |   ├──train2017.txt
    |   |   ├──……

   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

用户自行下载 R-101.pkl 预训练模型，将获取的预训练模型放至在源码包根目录下，并将 configs/COCO-Detection/cascade_rcnn_R_101_FPN_1x.yaml 配置文件中 MODEL.WEIGHTS 设置为 R-101.pkl 的绝对路径。

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=/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

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path=real_data_path --pth_path=real_pre_train_model_path # 8卡评测

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --pth_path参数填写训练权重生成路径，需写到权重文件的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --config-file                       //使用配置文件路径
   --device-ids                        //设备id
   --num-gpu                           //使用卡数量
   AMP                                 //是否使用混合精度
   OPT_LEVEL                           //混合精度类型
   LOSS_SCALE_VALUE                    //混合精lossscale大小
   SOLVER.IMS_PER_BATCH                //训练批次大小
   SOLVER.MAX_ITER                     //训练迭代次数
   SOLVER.STEPS                        //达到相应迭代次数时lr缩小十倍
   DATALOADER.NUM_WORKERS              //加载数进程数
   SOLVER.BASE_LR                      //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

NAME	Ap	FPS	Iters	AMP_Type	Torch_Version
1p-竞品V	-	10	1000	-	1.5
8p-竞品V	42.72	80	45000	-	1.5
1p-NPU	-	6.16	1000	O2	1.8
8p-NPU	42.445	47.79	45000	O2	1.8

版本说明

变更

2021.10.17：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