概述
简述
FCOS是一个全卷积的one-stage目标检测模型，相比其他目标检测模型，FCOS没有锚框和提议，进而省去了相关的复杂计算，以及相关的超参， 这些超参通常对目标检测表现十分敏感。借助唯一的后处理NMS，结合ResNeXt-64X4d-101的FCOS在单模型和单尺度测试中取得了44.7%的AP， 因其简化性在现有one-stage目标检测模型中具有显著优势。
参考实现：
url=https://github.com/open-mmlab/mmdetection/tree/v2.9.0/configs/fcos commit_id=6c1347d7c0fa220a7be99cb19d1a9e8b6cbf7544适配昇腾 AI 处理器的实现：
url=https://gitee.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；pillow==8.4.0 PyTorch 1.8 torchvision==0.9.1；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mmcv环境。
- 进入源码包根目录，下载mmcv，最好是1.2.7版本的（版本要求是1.2.5以上，1.3.0以下）。
cd FCOS git clone -b v1.2.7 git://github.com/open-mmlab/mmcv.git- 用mmcv_need里的文件替换mmcv中对应的文件。
cp -f mmcv_need/_functions.py ./mmcv/mmcv/parallel/ cp -f mmcv_need/builder.py ./mmcv/mmcv/runner/optimizer/ cp -f mmcv_need/distributed.py ./mmcv/mmcv/parallel/ cp -f mmcv_need/data_parallel.py ./mmcv/mmcv/parallel/ cp -f mmcv_need/dist_utils.py ./mmcv/mmcv/runner/ cp -f mmcv_need/optimizer.py ./mmcv/mmcv/runner/hooks/ cp -f mmcv_need/checkpoint.py ./mmcv/mmcv/runner/- 以下三个文件的替换是为了在log中打印出FPS的信息，替换与否对模型训练无影响。
cp -f mmcv_need/iter_timer.py ./mmcv/mmcv/runner/hooks/ cp -f mmcv_need/base_runner.py ./mmcv/mmcv/runner/ cp -f mmcv_need/epoch_based_runner.py ./mmcv/mmcv/runner/- 推荐使用conda管理。
conda create -n fcos --clone env # 复制一个已经包含依赖包的环境 conda activate fcos- 配置安装mmcv。
cd mmcv export MMCV_WITH_OPS=1 export MAX_JOBS=8 python3.7 setup.py build_ext python3.7 setup.py develop pip3 list | grep mmcv # 查看版本和路径- 配置安装mmdet。
cd Fcos pip3 install -r requirements/build.txt python3.7 setup.py develop pip3 list | grep mmdet # 查看版本和路径- 修改apex中的113行，主要是为了支持O1，参考路径root/archiconda3/envs/fcos/lib/python3.7/site-packages/apex/amp/utils.py。
if cached_x.grad_fn.next_functions[1][0].variable is not x:改成:
if cached_x.grad_fn.next_functions[0][0].variable is not x:
准备数据集
请用户自行准备好数据集，包含训练集、验证集和标签三部分，可选用的数据集又COCO、PASCAL VOC数据集等。
上传数据集到data文件夹，以coco2017为例，数据集在
data/coco目录下分别存放于train2017、val2017、annotations文件夹下。当前提供的训练脚本中，是以coco2017数据集为例，在训练过程中进行数据预处理。 数据集目录结构参考如下：
├── coco2017 ├──annotations ├── captions_train2017.json ├── captions_val2017.json ├── instances_train2017.json ├── instances_val2017.json ├── person_keypoints_train2017.json └── person_keypoints_val2017.json ├──train2017 ├── 000000000009.jpg ├── 000000000025.jpg ├── ... ├──val2017 ├── 000000000139.jpg ├── 000000000285.jpg ├── ...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
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/ # 精度训练 bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 性能训练单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 精度训练 bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 性能训练多机多卡训练
多机多卡性能数据获取流程，在每个节点上执行：
bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP
--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。
--data_path //数据集路径
--device_id //npu卡号
--batch-size //训练批次大小训练完成后，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 | CPU_Type | Acc@1 | FPS | Epochs | AMP_Type | Loss_Scale | Torch_Version |
|---|---|---|---|---|---|---|---|
| 1p-竞品V | X86 | 12.6 | 19.2 | 1 | O1 | dynamic | 1.5 |
| 8p-竞品V | X86 | 36.2 | 102.0 | 12 | O1 | dynamic | 1.5 |
| 1p-Npu | 非ARM | 16.4 | 3.19 | 1 | O1 | 32.0 | 1.8 |
| 8p-Npu | 非ARM | 36.2 | 44.81 | 12 | O1 | 32.0 | 1.8 |
| 8p-Npu | ARM | 36.2 | 41.18 | 12 | O1 | 32.0 | 1.8 |
版本说明
变更
2022.12.21：更新Readme。
FAQ
无。