概述

简述

RetinaFace是一个强大的单阶段目标检测器，它利用联合监督和自我监督的多任务学习，可以在各种目标尺度上执行像素方面的目标定位。

• 参考实现：

  url=https://github.com/biubug6/Pytorch_Retinaface.git
  commit_id=b984b4b775b2c4dced95c1eadd195a5c7d32a60b

• 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	-

• 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

1. 获取数据集。

   • 请用户自行下载Wider Face数据集，将数据集上传到服务器源码包根目录下的"data/"路径下并解压，同时下载注释文件label.txt，并放入./data/widerface/val目录下。

   • 确保 wider_face_val.mat, wider_easy_val.mat, wider_medium_val.mat,wider_hard_val.mat 文件在源码包根目录下的widerface_evaluate/groud_truth目录下。如果用户没有这些文件，请参考源码实现链接进行下载。若已经下载了，请将ground_truth文件夹从widerface_evaluate/groud_truth目录复制到源码包根目录下的widerface_evaluate/文件中。

   • 在源码包根目录下的widerface_evaluate/路径下创建命名为widerface_txt的文件夹。

2. 数据预处理。

   用户将下载的label.txt文件放入对应路径下后，在./data/widerface/val目录下运行tools.py生成wider_val.txt文件。

   执行命令如下所示：

   python3 tools.py

   项目数据集目录结构参考如下所示：

   ├──./data/widerface/
           ├──train/
                ├──images/
                ├──label.txt
           ├──val/
                ├──images/
                ├──wider_val.txt
                ├──label.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/widerface/train/label.txt  # 单卡精度
     
     bash ./test/train_performance_1p.sh --data_path=./data/widerface/train/label.txt  # 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/widerface/train/label.txt  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=./data/widerface/train/label.txt  # 8卡性能

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --resume==ckpt_path

   --data_path参数填写数据集路径，目录层级如上述示例的启动代码。

   --resume参数填写训练生成的权重文件路径。

   模型训练脚本参数说明如下。

   公共参数：
   --data                              //数据集路径
   --val-data                          //val数据集路径
   --addr                              //主机地址
   --workers                           //加载数据进程数      
   --epochs                            //重复训练次数
   --batch-size                        //训练批次大小
   --lr                                //初始学习率，默认：0.01
   --momentum                          //动量，默认：0.9
   --weight_decay                      //权重衰减，默认：0.0001
   --amp                               //是否使用混合精度
   --loss-scale                        //混合精度loss scale大小
   --opt-level                         //混合精度类型
   --gpu                               //使用的npu训练卡的id
   --rank                              //分布式训练的节点顺序
   --world-size                        //用于分布式训练的节点数

   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	Ap	FPS	Epochs	AMP_Type	Torch
1p-NPU	-	1.185	1	O2	1.8
8p-NPU	Easy: 94.37 Medium: 93.14 Hard: 86.7	34.284	100	O2	1.8

版本说明

变更

2023.03.09：更新readme，重新发布。

2020.07.08：首次发布。

FAQ

无。