下载
EN
注册
SOLOv1-PyTorch

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

  1. 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

  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_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

使用模型资源和服务前,请您仔细阅读并理解透彻 《昇腾深度学习模型许可协议 3.0》