RetinaNet(Detectron2) for PyTorch

概述

简述

RetinaNet算法源自《Focal Loss for Dense Object Detection》，该论文最大的贡献在于提出了Focal Loss用于解决one-stage算法中正负样本的比例严重失衡问题，从而创造了RetinaNet（One Stage目标检测算法）这个精度超越经典Two Stage的Faster-RCNN的目标检测网络。

参考实现：

url=https://github.com/facebookresearch/detectron2/blob/main/detectron2/modeling/meta_arch/retinanet.py
commit_id=133d22ed09bff7de9eb25c1a04fd7bd87b8d8879

适配昇腾 AI 处理器的实现：

url=https://gitcode.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

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
```
说明： 只需执行一条对应的PyTorch版本依赖安装命令。

Torch_Version	三方库依赖版本
PyTorch 1.5	torchvision==0.2.2.post3
PyTorch 1.8	torchvision==0.9.1

安装 detectron2 框架。

pip3.7 install -e .
pip3.7 install fvcore --upgrade

准备数据集

获取数据集。

请用户自行准备coco数据集，并将数据集解压后放置在服务器的任意目录下。

数据集目录结构参考如下所示：

|-coco
|-- annotations
|   |-- captions_train2017.json
|   |-- captions_val2017.json
|   |-- instances_train2017.json
|   |-- instances_val2017.json
|   |-- person_keypoints_train2017.json
|   |-- person_keypoints_val2017.json
|-- train2017
|-- val2017
|-- test2017
|   |-- 000000000001.jpg
|   |-- 000000000016.jpg

说明： 该数据集的训练过程脚本只作为一种参考示例。

获取预训练模型

请用户自行下载预训练模型R-50.pkl，上传到服务器任意路径下，并修改源码包根目录下''configs/COCO-Detection/retinanet_R_50_FPN_1x.yaml''文件的WEIGHTS参数，指定预训练模型文件的绝对路径，示例如下：

WEIGHTS: "/root/txyWorkSpace/Faster_Mask_RCNN_for_PyTorch/R-50.pkl"

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/xxx/  # 单卡精度

bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 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/xxx/  # 8卡精度

bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能

单机8卡评测

启动8卡评测。

bash ./test/train_eval_8p.sh --data_path=/data/xxx/

--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：
--config-file                       //模型配置文件
--device_id 0,1,2,3,4,5,6,7         //指定训练用卡
--num-gpus                          //指定训练卡数
--batch-size                        //训练过程批量大小
AMP 1                               //是否开启混合精度训练，1代表开启，0代表关闭
SOLVER.BASE_LR                      //基础学习率
SOLVER.MAX_ITER                     //最高迭代次数

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	Max_iter	AMP_Type	Torch_Version
1p-NPU	-	9.644	1000	O1	1.8
8p-NPU	37.8	66.273	90000	O1	1.8

版本说明

变更

2023.03.02：更新readme，重新发布。

2021.07.14：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