概述
简述
CenterNet使用关键点检测的方法去预测目标边框的中心点，然后回归出目标的其他属性，例如大小、3D位置、方向甚至是其姿态。而且这个方向相比之前的目标检测器，实现起来更加简单，推理速度更快，精度更高。
参考实现：
url=https://github.com/xingyizhou/CenterNet.git commit_id=5b1a490a52da57d3580e80b8bb4bbead9ef2af96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；pillow==8.4.0 PyTorch 1.8 torchvision==0.9.1；pillow==9.1.0 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。
pip install -r 1.5_requirements.txt # PyTorch1.5版本 pip install -r 1.8_requirements.txt # PyTorch1.8版本 pip install -r 1.11_requirements.txt # PyTorch1.11版本 pip install -r 2.1_requirements.txt # PyTorch2.1版本说明： 只需执行一条对应的PyTorch版本依赖安装命令。
安装COCOAPI
git clone https://github.com/cocodataset/cocoapi.git cd cocoapi/PythonAPI python setup.py install cd -编译可变形卷积（来自DCNv2）
cd ./src/lib/models/networks/DCNv2 ./make.sh cd -编译NMS
cd ./src/lib/external make cd -
准备数据集
获取数据集。
用户可自行获取Pscal VOC数据集，将数据集上传到服务器任意路径下并解压；也可以通过下述脚本进行数据集的获取。
运行脚本：
cd ./src/tools/ bash get_pascal_voc.sh上述脚本内容包含：
- 从VOC网站下载、解压缩和移动Pascal VOC图像。
- 下载COCO格式的Pascal VOC注释（从Detectron下载）。
- 将train/val 2007/2012注释文件合并到单个json中。
数据集目录结构参考如下所示。
|-- data |-- |-- voc |-- |-- annotations | |-- pascal_trainval0712.json | |-- pascal_test2017.json |-- images | |-- 000001.jpg | ...... |-- VOCdevkit说明： 该数据集的训练过程脚本只作为一种参考示例。
备注：Vocdevkit需要用faster rcnn去运行评估脚本。
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=数据集路径 # 单卡精度 bash ./test/train_performance_1p.sh --data_path=数据集路径 # 单卡性能单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh --data_path=数据集路径 # 8卡精度 bash ./test/train_performance_8p.sh --data_path=数据集路径 # 8卡性能单机8卡评测
启动8卡评测。
bash ./test/train_eval.sh --data_path=数据集路径 # 8卡精度评测多机多卡训练
启动多机多卡训练。
1. 安装环境 2. 开始训练，每个机器请按下面提示进行配置 bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP
--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： --data_path //数据集路径 --num_workers //加载数据进程数 --num_epochs //重复训练次数 --batch_size //训练批次大小 --lr //初始学习率，默认：3.54e-4 --device_list //训练指定训练用卡 --world-size //分布式训练节点数量训练完成后，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 | - | 143 | 1 | - | 1.5 |
| 8p-竞品V | 71.31 | 542 | 90 | - | 1.5 |
| 1p-NPU-ARM | - | 164.08 | 1 | O1 | 1.8 |
| 8p-NPU-ARM | 70.4 | 1257.444 | 90 | O1 | 1.8 |
| 1p-NPU-非ARM | 169.69 | 1 | O1 | 1.8 | |
| 8p-NPU-非ARM | 1409.823 | 90 | O1 | 1.8 |
版本说明
变更
2023.02.14：更新readme，重新发布。
2021.10.09：首次发布。
FAQ
- 若出现无法找到datasets包的问题，本模型使用的是lib目录下的本地文件，请删除环境中同名三方库。
- 针对在1.11版本torch下，DCNv2编译失败问题，可删除原DCNv2文件，并在该文件目录“CenterNet/src/lib/models/networks”下，重新拉取DCNv2源码包。
git clone -b pytorch_1.11 https://github.com/lbin/DCNv2.git
公网地址说明
代码涉及公网地址参考 public_address_statement.md