概述

简述

Centerface的非官方版本，实现了速度和准确性之间的最佳平衡。Centerface是一种适用于边缘设备的实用无锚目标检测和对齐方法。项目提供训练脚本、训练数据集和预训练模型，方便用户复现结果。

• 参考实现：

  url=https://github.com/chenjun2hao/CenterFace.pytorch
  commit_id=585ce2c4fb80ae6ab236f79f06911e2f8bef180c

• 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	-
  PyTorch 1.8	-
  PyTorch 1.11	-
  PyTorch 2.1	-

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  # 安装依赖包
  # for pip
  cd ${模型文件夹名称}
  pip install -r requirements.txt
  # for conda
  conda env create -f enviroment.yaml

  # 编译（编译过的可跳过，编译需要先执行以下操作，否找可能出现 ModuleNotFoundError: No module named 'external.nms'）
  cd ${模型文件夹名称}/src/lib/external
  make

  # 安装评测时用到的bbox库扩展方法bbox_overlaps
  cd ${模型文件夹名称}/evaluate
  python3 setup.py install

准备数据集

• 准备数据

  请用户自行准备好数据集，包含训练集和验证集两部分，可选用的数据集包括WIDER-FACE等。上传到服务器任意路径并解压；“WIDER_FACE_DATA_ALL.zip”文件里面有“annotations.zip”、“labels”、“WIDER_train.zip”、“WIDER_val.zip”、“groud_truth”文件。

  在当前源码包根目录下建立“data/wider_face/image”文件夹。将“annotations.zip”、“labels”、“WIDER_train.zip”、“WIDER_val.zip”复制到服务器的源码包根目录“data/wider_face”目录下并解压，“groud_truth”复制到源码包根目录下。将“WIDER_train”中的“images”复制到源码包根目录下的“data/wider_face/image”文件夹中。数据集目录结构参考：

  ├── data
      ├──wider_face
          ├──labels
          ├──WIDER_train
          ├──WIDER_val
          ├──annotations
          ├──image
                ├──0-Parade		分类1
                      ├──图片1
                      ├──图片2
                      ...
                ├──1-Handshaking	分类2
                      ├──图片1
                      ├──图片2
                      ...
                      ..
  ├── groud_truth
       ├── wider_easy_val.mat
       ├── wider_face_val.mat
       ├── wider_hard_val.mat
       ├── wider_medium_val.mat

  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

请参考原始仓库上的README.md进行预训练模型获取。

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：
   --batch_size                          // 数据批大小
   --device-list                         // 设备id
   --world_size                          // 使用卡数量
   --lr                                  // 学习率
   --lr_step                             // 多少个step学习率调整
   --port                                // 分布式master端口
   --num_epochs                          // 训练轮数

   训练日志路径：网络脚本test下output文件夹内。例如：

   test/output/devie_id/CenterFace_${device_id}.log  # 训练脚本原生日志
   
   test/output/devie_id/CenterFace_bs1024_8p_perf.log  # 8p性能训练结果日志
   
   test/output/devie_id/CenterFace_bs1024_8p_acc.log   # 8p精度训练结果日志

   训练完成后，训练生成的模型默认会写入到和test文件同一目录下。当训练正常结束时，checkpoint.pth.tar为最终结果。

训练结果展示

表 2 训练结果展示表

NAME	Acc	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	28	1	-	1.5
8p-竞品V	easy:85.75;medium:84.96;hard:67.15	235	140	-	1.5
1p-NPU	-	38.73	1	O1	1.8
8p-NPU	easy:87.03;medium:86.50;hard:70.17	281.65	140	O1	1.8

版本说明

变更

2021.10.17：首次发布。

已知问题

无。

公网地址说明

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