概述

简述

CenterNet2是一个较为新颖的目标检测网络，相比于传统的two stage目标检测方法，在第一阶段仅作背景和物体的区分，并且使用先进的单级检测网络作为CenterNet2第一阶段，由此产生的检测器比它们的一级和二级前体更快、更准确。

• 参考实现：

  url=https://github.com/xingyizhou/CenterNet2.git 
  commit_id=68c0a468254b013e1d08309cd7a506756120ca62

• 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==0.6.0；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。

• 安装detectron2

  在源码包根目录下执行以下命令，编译安装detectron2。

  python3 setup.py build develop

准备数据集

1. 获取数据集。

   请用户自行获取训练数据集coco2017，将下载好的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。

   ├── 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。

获取预训练模型

1. 请用户自行下载预训练模型R-50.pkl，并修改源码包根目录下projects/CenterNet2/configs/Base-CenterNet2.yaml配置文件中MODEL.WEIGHTS参数，设置为存放预训练模型文件的绝对路径。

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

   • 单机单卡评测

     将源码包根目录下projects/CenterNet2/configs/Base-CenterNet2.yaml中的字段WEIGHTS修改为训练生成的权重model_final.pth的绝对路径，实例如下。

     WEIGHTS: "/home/CenterNet2/result/CenterNet2/CenterNet2_R50_1x/model_final.pth"

     启动单机单卡评测

     bash ./test/train_eval_1p.sh --data_path=/data/xxx/

   --data_path参数填写数据集路径，需写到数据集的上一级目录。(例：数据集路径为/home/coco，则--data_path=/home)

   模型训练脚本参数说明如下。

   公共参数：
   SOLVER.IMS_PER_BATCH                //训练批次大小
   SOLVER.MAX_ITER                     //迭代次数
   --config-file                       //配置文件路径
   --num-machines                      //设备数统计
   --eval-only                         //设置是否仅进行评测

   训练完成后，会在result/CenterNet2/CenterNet2_R50_1x目录下保存模型文件model_final.pth，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	Accuracy	FPS	AMP_Type
1p-竞品V	-	12.3	O1
8p-竞品V	43.68	90.5	O1
NPU-1p	-	2.86	O1
NPU-8p	43.5	18.7	O1

版本说明

变更

2023.03.10：更新readme，重新发布。

2020.07.08：首次发布。

FAQ

1. 在arm环境上无法通过pip直接安装0.6.0版本的torchvision，可通过源码编译安装，参考方法如下。

   git clone https://github.com/pytorch/vision
   cd vision
   git checkout v0.6.0
   python3 setup.py install

公网地址说明

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