概述
简述
SiamMask模型是一个实时执行视觉目标跟踪和视频目标分割的框架,实现了视觉目标跟踪和视频目标分割的统一框架,可以通过级联方式实现多任务模型,实现在视觉目标跟踪基准上得到实时SOTA结果,同时在视频目标分割基准上展示出有竞争力的性能,且能高速运行。
参考实现:
url=https://github.com/foolwood/SiamMask commit_id=0eaac33050fdcda81c9a25aa307fffa74c182e36
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/object_tracking
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 bash make.sh
说明: 只需执行一条对应的PyTorch版本依赖安装命令。
准备数据集
本模型使用 Youtube-VOS
, COCO
, ImageNet-DET
, ImageNet-VID
数据集来训练, 使用 VOT2018
数据集来测试。建议将数据集下载或者软连接至源码包根目录下的 data
目录下,否则需要按需修改 SiamMask_for_Pytorch/experiments/siammask_base/config.json
文件。
获取训练数据集。
依据
data
目录下每个子目录中readme.md
文件中的提示下载所有数据集。获取测试数据集。
执行以下命令行获取测试数据集。
cd SiamMask_for_Pytorch/data apt install jq bash get_VOT2018_data.sh
数据集目录结构参考如下所示。
SiamMask_for_Pytorch ├── data │ ├── ytb_vos │ │ ├── train.json │ │ └── crop511 │ │ └── train │ │ ├── 05d77715782 │ │ └── ... │ ├── coco │ │ ├── train2017.json │ │ └── crop511 │ │ ├── train2017 │ │ └── val2017 │ ├── det │ │ ├── train2017.json │ │ └── crop511 │ │ ├── ILSVRS2013_train │ │ ├── ILSVRC2014_train_0000 │ │ └── ... │ ├── vid │ │ ├── train.json │ │ └── crop511 │ │ ├── ILSVRC2015_VID_train_0000 │ │ ├── ILSVRC2015_VID_train_0001 │ │ └── ... │ ├── VOT2018 │ │ ├── bag │ │ ├── ants3 │ │ └── ... │ └── VOT2018.json ├── models │ ├── resnet.model │ └── ... ├── experiments ├── datasets └── ...
说明: 该数据集的训练过程脚本只作为一种参考示例。
下载预训练模型
执行以下命令获取预训练模型。
cd SiamMask_for_Pytorch/models
wget http://www.robots.ox.ac.uk/~qwang/resnet.model
开始训练
训练模型
进入解压后的源码包根目录。
cd /${模型文件夹名称}
运行训练脚本。
该模型支持单机单卡训练和单机8卡训练。
单机单卡训练
启动单卡训练。
bash ./test/train_performance_1p.sh # 单卡性能
单机8卡训练
启动8卡训练。
bash ./test/train_performance_8p.sh # 8卡性能 bash ./test/train_full_8p.sh # 8卡精度
模型训练脚本参数说明如下。
公共参数: --config //配置文件路径 --workers //加载数据进程数 --batch //训练批次大小 --epoch //重复训练次数 --P //训练卡数量
训练完成后,权重文件保存在output文件夹下,并输出模型训练精度和性能信息。
训练结果展示
表 2 训练结果展示表
NAME | SiamMask_Loss | FPS | Epochs | AMP_Type | CPU | Torch_Version |
---|---|---|---|---|---|---|
1p-竞品V | - | 193 | 1 | - | x86 | 1.5 |
8p-竞品V | 2.5939 | 812 | 20 | - | x86 | 1.5 |
1p-NPU | - | 236 | 1 | O1 | ARM | 1.8 |
8p-NPU | 2.5940 | 1615 | 20 | O1 | ARM | 1.8 |
版本说明
变更
2023.01.10:Readme整改发布。
FAQ
Q: 为什么要在配置文件$SiamMask-base/experiments/siammask_base/config.json
中修改学习率以及权重?
A: 详见 论文 的 3.3 Implementation details
部分。