YOLOR for PyTorch

• 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

YOLOR提出了一个统一的网络来同时编码显式知识和隐式知识，在网络中执行了kernel space alignment（核空间对齐）、prediction refinement（预测细化）和 multi-task learning（多任务学习），同时对多个任务形成统一的表示，基于此进行目标识别。

• 参考实现：

  url=https://github.com/WongKinYiu/yolor
  commit_id=b168a4dd0fe22068bb6f43724e22013705413afb
  

• 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。

   用户可进入源码包根目录，执行以下命令，下载coco数据集。数据集信息包含图片、labels图片以及annotations。数据集下载完成后，默认存放在源码包根目下的data文件中，若用户自行下载数据集，请将下载好的数据集存放在该目录下并解压。

   cd /${模型文件夹名称}
   bash scripts/get_coco.sh
   

   coco数据集目录结构参考如下：

   coco
   |-- LICENSE
   |-- README.txt
   |-- annotations
   |   |-- instances_val2017.json
   |-- images
   |   |-- test2017
   |   |-- train2017
   |   |-- val2017
   |-- labels
   |   |-- train2017
   |   |-- train2017.cache3
   |   |-- val2017
   |   |-- val2017.cache3
   |-- test-dev2017.txt
   |-- train2017.cache
   |-- train2017.txt
   |-- val2017.cache
   |-- val2017.txt
   

   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_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
     

   • 单机单卡评测

     启动单卡评测。

     bash ./test/evaluation_npu.sh
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   模型性能脚本参数说明如下。

   公共参数：
   --data                                  //数据集路径      
   --epochs                                //重复训练次数
   --batch-size                            //训练批次大小
   --device                                //训练设备类型
   --workers                               //数据加载线程数
   --weights                               //初始权重
   --world-size                            //分布式训练节点数
   --npu                                   //npu训练卡id设置
   

   训练完成后，权重文件保存在当前路径下，并输出模型性能信息。

训练结果展示

表 2 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	13	1	-	1.5
8p-竞品V	51.4	113	120	-	1.5
1p-NPU	-	16.5	5	O1	1.8
8p-NPU	51.6	138.7	300	O1	1.8

版本说明

变更

2023.02.28：更新readme，重新发布。

2021.07.23：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