SiamRPN++ for PyTorch
概述
简述
SiamRPN++是一个由ResNet架构驱动的Siam跟踪器，其内部采用一种简单而有效的采样策略来打破空间不变性的限制。网络中使用一种分层的特征聚合结构用于互相关操作，这有助于跟踪器根据在多个层次上学习到的特征预测相似度图。作为一种高效的视觉跟踪模型，该模型在跟踪精度方面达到了新的水平，同时以35帧/秒的速度高效运行。
-
参考实现：
url=https://github.com/STVIR/pysot commit_id=9b07c521fd370ba38d35f35f76b275156564a681 -
适配昇腾 AI 处理器的实现：
url=https:https://gitcode.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/video
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 - PyTorch 1.8 - -
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，安装模型需要的依赖。
pip install -r requirements.txt
准备数据集
-
获取数据集预处理所需要的脚本。
将原始仓（源码实现）
pysot/training_dataset/目录下的coco，det，vid以及yt_bb目录文件下载到本工程下的./training_dataset目录下。 -
获取数据集(训练集)。
请用户自行获取原始数据集，可选用的开源数据集包括COCO，DET，VID以及Youtube-bb等，获取方式可参原始仓（源码实现）
pysot/training_dataset/路径下的coco，det，vid以及yt_bb目录下的readme。以COCO数据集为例，处理前的数据集目录结构参考如下所示。
├── coco ├──train2017 │──图片1 │──图片2 │──图片3 │ ... ├──val2017 │──图片1 │──图片2 │──图片3 │ ...说明： 该数据集的训练过程脚本只作为一种参考示例。
-
进入下载完成的数据集目录下。
cd /${模型文件夹名称}/training_dataset/coco -
数据预处理（以COCO数据集为例）。
将下载好的数据集裁剪成511*511分辨率并生成对应的train.json文件。
-
预处理第一步（裁剪至相应尺寸）。
python par_crop.py 511 12 -
预处理第二步（生成对应的train.json文件）。
python gen_json.py
coco数据集处理完成后的文件目录结构参考如下所示。
├──coco ├──crop511 ├──train2017 ├──类别1 │──图片1 │──图片2 │ ... ├──类别2 │──图片1 │──图片2 │ ... ├──val2017 ├──类别1 │──图片1 │──图片2 │ ... ├──类别2 │──图片1 │──图片2 │ ...说明： 该数据集的训练过程脚本只作为一种参考示例。
依次处理上述4个数据集，并将处理后的数据集放在
SiamRPN/training_dataset目录下，目录结构参考如下所示。├── SiamRPN ├── training_dataset ├──coco ├──crop511 ├──train2017.json ├──gen_json.py ├──par_crop.py ..... ├──det ├──crop511 ├──train.json ├──gen_json.py ├──par_crop.py ..... ├──vid ├──imagenet2015 ├──crop511 ├──train.json ├──gen_json.py ├──par_crop.py ..... ├──yt_bb ├──crop511 ├──train.json ├──gen_json.py ├──par_crop.py .....说明： 该数据集的训练过程脚本只作为一种参考示例。
-
-
数据集下载（测试集)--VOT2016
请用户自行下载VOT-2016数据集，下载方式可参考原始仓（源码实现）
pysot/testing_dataset/目录下的readme，将下载好的测试集放在SiamRPN/testing_dataset路径下，目录结构参考如下。├── SiamRPN ├── testing_dataset ├── VOT2016 ├──类别1 ├──类别2 .....说明： 该数据集的训练过程脚本只作为一种参考示例。
获取预训练模型
1.配置文件获取：将原始仓（源码实现）中experiments/目录下的文件下载到本工程中的./pysot-master/experiments/路径下，本工程使用的配置文件为原始仓中的./pysot/experiments/siamrpn_r50_l234_dwxcorr_8gpu/config.yaml文件。
2.预训练权重获取：请参考原始仓（源码实现）readme进行预训练模型获取，下载siamrpn_r50_l234_dwxcorr对应模型的预训练权重model.pth，存放在源码包根目录下的./pretrained_models下，并重命名为resnet50.model。
开始训练
训练模型
-
进入解压后的源码包根目录。
cd /${模型文件夹名称}/pysot-master -
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 # 单卡精度 bash ./test/train_performance_1p.sh # 单卡性能 -
单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh # 8卡精度 bash ./test/train_performance_8p.sh # 8卡性能 -
单机8卡评测
启动8卡评测。
bash ./test/train_eval_8p.sh
模型训练脚本参数说明如下。
公共参数： --seed //随机数种子设置 --cfg //参数配置 --is_performance //设置是否进行性能测试 --max_step //设置最大的迭代数单卡训练完成后，权重文件保存在SiamRPN/pysot-master/snapshot_1p，8P的权重文件保存在SiamRPN/pysot-master/snapshot_8p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 | FPS↑ | Accuracy↑ | Robustness**↓** | EAO↑ | AMP_Type | Torch_Version |
|---|---|---|---|---|---|---|
| 1p-NPU | 49 | - | - | - | O1 | 1.8 |
| 8p-e19-NPU | 280.1 | 0.650 | 0.224 | 0.431 | O1 | 1.8 |
| 8p-e20-NPU | 280.1 | 0.655 | 0.252 | 0.406 | O1 | 1.8 |
版本说明
变更
2023.03.13：更新readme，重新发布。
2020.11.10：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