概述

简述

SCRFD是通过NAS（神经网络搜索）得到的一个目标检测模型，通过使用ResNet作为主干网络，融入PAFPN、ATSS Assigner等模块，可以获得更好的精度、更高的性能。

• 参考实现：

  url=https://github.com/deepinsight/insightface.git
  commit_id=babb9a58bbc42ae4b648acdbb803159a35f53db3

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/built-in/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	-
  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

• 安装mmcv（如果环境中有mmcv，请先卸载再执行以下步骤）。

  git clone -b v1.4.8 https://github.com/open-mmlab/mmcv.git
  bash tools/build_mmcv.sh

• 安装mmdet（如果环境中有mmdet，请先卸载再执行以下步骤）。

  pip3.7 install -v -e .

准备数据集

1. 获取数据集。

   用户自行获取原始数据集，可选用的开源数据集包括WIDER_FACE，将数据集上传到服务器任意路径下并解压。

   数据集目录结构参考如下所示。

   ├── WIDERFace
         ├──train
              ├──images
                    │──图片1
                    │──图片2
                    │   ...       
              ├──labelv2.txt              
         ├──val  
              ├──images
                    │──图片1
                    │──图片2
                    │   ...       
              ├──gt  
                    │──*.gt    
              ├──labelv2.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_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

--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：
--work-dir                          //日志和模型保存目录
--no-validate                       //是否禁用训练中的eval流程
--perf                              //是否进行性能测试
--seed                              //随机数种子设置
--local_rank                        //当前进程的rank号
--master_addr                       //主进程IP地址
--master_port                       //主进程端口号

训练完成后，权重文件保存在工作目录下，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	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	78	3	-	1.5
8p-竞品V	[95.16, 93.87, 83.05]	278	640	-	1.5
1p-NPU	-	80	3	O2	1.8
8p-NPU	[94.58, 93.38, 81.52]	417	640	O2	1.8

版本说明

变更

2023.02.22：更新readme，重新发布。

2022.09.20：首次发布。

FAQ

目前可能会出现mmpycocotools与pycocotools两个第三方库冲突的问题，如果出现pycocotools相关问题，需要首先将mmpycocotools和pycocotools全部卸载，然后重装mmpycocotools即可解决冲突问题。

公网地址说明

代码涉及公网地址参考 public_address_statement.md