概述
简述
SOLOv1框架的核心思想是按位置分割对象。输入图像在概念上分为S×S网格。如果对象的中心落在网格单元中,则该网格单元负责预测语义类别以及分配每像素位置类别。有两个分支:类别分支和掩码分支。类别分支预测语义类别,而掩码分支分割对象实例。SOLO实现了端到端的训练,无需anchor,通过离散量化,将坐标回归转化为分类问题,可以避免启发式的坐标规范问题,简化了实例分割任务,具有较好的性能,且实现了和Mask-R-CNN基本持平的效果。
参考实现:
url=https://github.com/WXinlong/SOLO commit_id=95f3732d5fbb0d7c7044c7dd074f439d48a72ce5
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 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mmcv。
cd mmcv source test/env_npu.sh python3 setup.py build_ext python3 setup.py develop cd .. pip3 list | grep mmcv # 查看版本和路径
安装mmdet。
pip install -r requirements/build.txt pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI" pip install -v -e .
准备数据集
获取数据集。
用户自行获取原始数据集coco2017,将coco数据集放于
SOLOv1/data
目录下,数据集目录结构参考如下所示。SOLOv1 ├── configs ├── data │ ├── coco │ ├── annotations 796M │ ├── train2017 19G │ ├── val2017 788M
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
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=./data/coco # 单卡精度 bash ./test/train_performance_1p.sh --data_path=./data/coco # 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/coco # 8卡精度 bash ./test/train_performance_8p.sh --data_path=./data/coco # 8卡性能
单机单卡评测
启动单卡评测。
bash ./test/train_eval_1p.sh --data_path=./data/coco
多机多卡性能
启动多机多卡性能训练。
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*所有卡数 --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: --opt-level //混合精度类型 --seed //随机数种子设置 --addr //主机地址 --data_root //数据集路径 --validate //设置在训练期间其否评测 --total_epochs //训练周期数
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 |
---|---|---|---|---|
1p-竞品V | - | 2.75 | 1 | O1 |
8p-竞品V | 32.3 | 16.3 | 12 | O1 |
1p-NPU | - | 1.42 | 1 | O1 |
8p-NPU | 32.1 | 9.4 | 12 | O1 |
版本说明
变更
2023.03.10:更新readme,重新发布。
2020.07.08: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