YOLACT for PyTorch

概述

简述

YOLACT是2019年发表在ICCV上面的一个实时实例分割的模型，它主要是通过两个并行的子网络来实现实例分割的。(1)Prediction Head分支生成各个anchor的类别置信度、位置回归参数以及mask的掩码系数；(2)Protonet分支生成一组原型mask。然后将原型mask和mask的掩码系数相乘，从而得到图片中每一个目标物体的mask。论文中还提出了一个新的NMS算法叫Fast-NMS，和传统的NMS算法相比只有轻微的精度损失，但是却大大提升了分割的速度。

• 参考实现：

  url=https://github.com/dbolya/yolact.git
  commit_id=57b8f2d95e62e2e649b382f516ab41f949b57239
  

• 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	pillow==8.4.0
  PyTorch 1.8	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。

准备数据集

1. 获取数据集。

   请用户自行准备coco数据集，将数据集放置在服务器的任意目录下并解压。

   数据集目录结构参考如下所示：

   ├── coco
   	├── val2017/
   	├── train2017/
   	├── annotations/
   		├── instances_train2017.json
   		├── instances_val2017.json
   		├── ......
   

   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resnet101_reducedfc.pth，并在源码包根目录下新建weights文件夹，将下载好的预训练模型存放至该路径下。

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/xxx/coco  # 单卡精度
     
     bash ./test/train_performance_1p.sh /data/xxx/coco  # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh /data/xxx/coco  # 8卡精度
     
     bash ./test/train_performance_8p.sh /data/xxx/coco  # 8卡性能
     

   /data/xxx/coco参数填写coco数据集的路径，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：
   --batch_size                        //训练批次大小
   --data                              //数据集路径
   --momentum                          //动量
   --seed                              //随机数种子设置
   --weight_decay                      //权重衰减
   --save_folder                       //权重保存文件
   --node_device                       //设置训练计算设备
   

   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

box mAP	mask mAP	FPS	Npu_nums	Epochs	Steps	AMP_Type
31.98	29.62	25.4	8	54	100000	O0

版本说明

变更

2023.03.10：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