概述

简述

FaceBoxes是一款可以在cpu上实现实时，高准确率的目标检测模型。它包含快速消化卷积层和多尺度卷积层，快速消化卷积层用来解决CPU上的实时问题，多尺度卷积层用来提高目标在不同尺度下的检测性能。

• 参考实现：

  url=https://github.com/zisianw/FaceBoxes.PyTorch
  commit_id=9bc5811fe8c409a50c9f23c6a770674d609a2c3a

• 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==0.2.2.post3
  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。

• 编译环境

  导入环境变量。

  source scripts/npu_set_env.sh

  git clone https://github.com/Levi0223/FDDB_Evaluation.git
  cd FDDB_Evaluation
  python3 setup.py build_ext --inplace
  mv ../convert.py ../split.py ./

准备数据集

用户自行获取原始数据集，可选用的开源数据集包括WIDER_FACE等，将图片放在如下所示目录下（数据集包含32203张图片）。

# $FaceBoxes_ROOT 为项目根目录
$FaceBoxes_ROOT/data/WIDER_FACE/images/

下载转换后的标注文件将其放在这个目录下。

$FaceBoxes_ROOT/data/WIDER_FACE/annotations/

以WiderFace数据集为例，数据集目录结构参考如下所示。

data
 ├── WIDER_FACE
 │   ├── images
 |   │   ├──0--Parade
 |   │   ├── ...
 |   │   ├──38--Tennis
 │   |   ├── ...
 │   ├── annotations
 |   │   ├──0_Parade_marchingband_1_100.xml
 |   │   ├── ...
 |   │   ├──0_Parade_marchingband_1_6.xml
 │   |   ├── ...
 │   ├── img_list.txt

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 ./scripts/train_1p.sh  # 单卡精度
     
     bash ./scripts/train_performance_1p.sh  # 单卡性能

   • 单机8卡训练

     启动8卡训练。

     bash ./scripts/train_8p.sh  # 8卡精度
     
     bash ./scripts/train_performance_8p.sh  # 8卡性能

   • 单机单卡评测

     启动单卡评测。

     bash test.sh  # 单卡评测

   模型训练脚本参数说明如下。

   公共参数：
   --training_dataset                  //数据集路径
   --dist_url                          //分布式地址
   --multiprocessing-distributed       //是否使用多卡训练
   --print-freq                        //使用频率
   --num_workers                       //加载数据进程数
   --world_size                        //使用卡数
   --epoch                             //重复训练次数
   --batch-size                        //训练批次大小
   --device                            //使用设备
   --rank                              //使用卡排名
   多卡训练参数：
   --device-list '0,1,2,3,4,5,6,7'     //多卡训练指定训练用卡

   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	-	-	1	O2	1.5
8p-竞品V	0.944	-	300	O2	1.5
1p-NPU	-	-	1	O2	1.5
8p-NPU	0.9396	-	300	O2	1.5

版本说明

变更

2020.10.14：更新内容，重新发布。

2020.07.08：首次发布。

FAQ

无。