FCOS for PyTorch [终止随版本演进]

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

概述

简述

FCOS是一个全卷积的one-stage目标检测模型，相比其他目标检测模型，FCOS没有锚框和提议，进而省去了相关的复杂计算，以及相关的超参， 这些超参通常对目标检测表现十分敏感。借助唯一的后处理NMS，结合ResNeXt-64X4d-101的FCOS在单模型和单尺度测试中取得了44.7%的AP， 因其简化性在现有one-stage目标检测模型中具有显著优势。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection
  commit_id=cfd5d3a985b0249de009b67d04f37263e11cdf3d
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.com/Ascend/DrivingSDK.git
  code_path=model_examples/FCOS
  

准备训练环境

准备环境

安装昇腾环境

请参考昇腾社区中《Pytorch框架训练环境准备》文档搭建昇腾环境。

表 1 昇腾软件版本支持表

软件类型	首次支持版本
FrameworkPTAdapter	7.0.0
CANN	8.1.RC1

• 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

  表 2 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 2.1	torchvision==0.16.0

安装模型环境

0. 激活 CANN 环境

1. 源码安装 mmcv

   在 FCOS 根目录下，克隆 mmcv 仓，并进入 mmcv 目录安装（安装完为 2.2.0 版本）

   git clone https://github.com/open-mmlab/mmcv
   cd mmcv/
   pip install -r requirements/runtime.txt
   MMCV_WITH_OPS=1 MAX_JOBS=8 FORCE_NPU=1 python setup.py build_ext
   MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py develop
   cd ../
   

2. 源码安装 mmengine

   在 FCOS 根目录下，克隆 mmengine 仓，并进入 mmengine 目录应用 patch 后安装

   yes | pip uninstall mmengine
   git clone -b v0.10.6 https://github.com/open-mmlab/mmengine.git
   cd mmengine/
   git checkout a8c74c346d2ef3e5501115529ba588accb5f2a03
   cp ../mmengine.patch ./
   git apply --reject mmengine.patch
   pip install -e .
   cd ../
   

3. 准备模型源码

   在 FCOS 根目录下，克隆 mmdetection 仓，替换其中部分代码

   git clone https://github.com/open-mmlab/mmdetection.git --depth=1
   cd mmdetection/
   git fetch --unshallow
   git checkout cfd5d3a985b0249de009b67d04f37263e11cdf3d
   cp -rf ../test/ ./
   cp ../mmdet.patch ./
   git apply --reject mmdet.patch
   

4. 安装其他依赖

   在 mmdetection 代码目录下，安装其他依赖

   pip install torchvision==0.16.0
   pip install -r requirements.txt
   

5. 安装 Driving SDK 加速库

   参考：https://gitcode.com/Ascend/DrivingSDK

6. 根据操作系统，安装tcmalloc动态库。

• OpenEuler系统

在当前python环境和路径下执行以下命令，安装并使用tcmalloc动态库。

mkdir gperftools
cd gperftools
wget https://github.com/gperftools/gperftools/releases/download/gperftools-2.16/gperftools-2.16.tar.gz
tar -zvxf gperftools-2.16.tar.gz
cd gperftools-2.16
./configure --prefix=/usr/local/lib --with-tcmalloc-pagesize=64
make
make install
echo '/usr/local/lib/lib/' >> /etc/ld.so.conf
ldconfig
export LD_LIBRARY_PATH=/usr/local/lib/lib/:$LD_LIBRARY_PATH
export PATH=/usr/local/lib/bin:$PATH
export LD_PRELOAD=/usr/local/lib/lib/libtcmalloc.so.4

• Ubuntu系统

在当前python环境和路径下执行以下命令，安装并使用tcmalloc动态库。在安装tcmalloc前，需确保环境中含有autoconf和libtool依赖包。

安装libunwind依赖：

git clone https://github.com/libunwind/libunwind.git
cd libunwind
autoreconf -i
./configure --prefix=/usr/local
make -j128
make install

安装tcmalloc动态库：

wget https://github.com/gperftools/gperftools/releases/download/gperftools-2.16/gperftools-2.16.tar.gz
tar -xf gperftools-2.16.tar.gz && cd gperftools-2.16
./configure --prefix=/usr/local/lib --with-tcmalloc-pagesize=64
make -j128
make install
export LD_PRELOAD="$LD_PRELOAD:/usr/local/lib/lib/libtcmalloc.so"

准备数据集

1. 请用户自行准备好数据集，包含训练集、验证集和标签三部分，可选用的数据集有 COCO、PASCAL VOC 数据集等。

2. 上传数据集到服务器任意路径下解压，以 coco2017 为例，数据集在 coco2017 目录下分别存放于 train2017、val2017、annotations 文件夹下。

3. 当前提供的训练脚本中，是以 coco2017 数据集为例，在训练过程中进行数据预处理。 数据集目录结构参考如下：

   ├── coco2017
         ├──annotations
              ├── captions_train2017.json
              ├── captions_val2017.json
              ├── instances_train2017.json
              ├── instances_val2017.json
              ├── person_keypoints_train2017.json
              └── person_keypoints_val2017.json
   
         ├──train2017
              ├── 000000000009.jpg
              ├── 000000000025.jpg
              ├── ...
         ├──val2017
              ├── 000000000139.jpg
              ├── 000000000285.jpg
              ├── ...
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

准备预训练权重

1. 联网情况下，预训练权重会自动下载。

2. 无网络情况下，可以通过该链接自行下载 resnet50_caffe-788b5fa3.pth，并拷贝至对应目录下。默认存储目录为 PyTorch 缓存目录：

~/.cache/torch/hub/checkpoints/resnet50_caffe-788b5fa3.pth

开始训练

训练模型

该模型支持单机 8 卡训练，在 mmdetection 目录下运行训练脚本。

• 单机 8 卡训练

  cd model_examples/FCOS/mmdetection
  bash ./test/train_8p_full.sh --data_root=/home/datasets/coco2017 # 8p 精度训练，默认 12 epochs
  bash ./test/train_8p_full.sh --data_root=/home/datasets/coco2017 --max_epochs=2 # 8p 性能训练
  

  --data_root 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。

  --data_root                         // 数据集路径，必填参数
  --batch_size                        // 默认 4，训练批次大小，提高会降低ap值，可选参数
  --max_epochs                        // 默认 12，训练轮次，可选参数
  

  训练完成后，权重文件保存在当前路径的 test/output 目录下，并输出模型训练精度和性能信息。

训练结果展示

表 3 训练结果展示表

NAME	cards	Epochs	Global Batchsize	FPS	mAP
8p-竞品A	8p	12	32	196	0.353
8p-Atlas 800T A2	8p	12	32	196	0.351

版本说明

变更

2024.11.8: 首次提交。

2025.1.23: 资料更新，mmengine 使用源码安装。

2025.2.26: 性能优化，增加训练结果保存到日志功能，删除单机单卡训练脚本，只保留单机 8 卡训练脚本。

FAQ

1. tcmalloc的动态库文件位置可能因环境配置会有所不同，找不到文件时可以进行搜索，一般安装在/usr/lib64或者/usr/local目录下：

find /usr -name libtcmalloc.so*

找到对应路径下的动态库文件，libtcmalloc.so或者libtcmalloc.so.版本号都可以使用。