概述

简述

SOLOv2建立了一个简单，直接，快速的实例分割框架，具有很强的性能。遵循SOLO的设计原则。即按位置分割对象。进一步通过动态学习对象分段器的mask头，使得mask头受位置的约束。具体地，将掩模分支分解为掩模核分支和掩模特征分支，分别负责卷积核和卷积特征的学习。此外，提出矩阵NMS（非最大抑制）来显著减少由于NMSofmasks引起的推理时间开销。matrix NMS一次完成了并行矩阵运算的NMS，并获得了更好的结果。一个简单的直接实例分割系统，在速度和精度上都优于一些最新的方法。一个轻量级版本的SOLOv2以31.3fps的速度运行，产生37.1%的AP。

• 参考实现：

  url=https://github.com/WXinlong/SOLO
  commit_id=95f3732d5fbb0d7c7044c7dd074f439d48a72ce5

• 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。

• 配置环境。

  # 进入SOLOv2目录，source环境变量
  cd SOLOv2
  source test/env_npu.sh  

• 安装 mmcv。

  cd mmcv
  python3.7 setup.py build_ext
  python3.7 setup.py develop
  cd ..
  pip list | grep mmcv  # 查看版本和路径

• 安装 mmdet。

  pip install -r requirements/build.txt
  pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
  pip install -v -e .

注意：安装mmdet的时候，如果自动卸载已安装torch，可以使用命令pip install -v -e . --no-deps安装

准备数据集

1. 获取数据集。

   用户自行下载 coco2017 数据集，在模型根目录下新建 data 文件夹，并将 coco 数据集放于 data 目录下，数据集目录结构参考如下所示。

    SOLOV2
      ├── configs
      ├── data
            ├── coco
                ├── annotations 
                ├── train2017   
                ├── val2017 

   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

用户自行下载 resnet50-19c8e357.pth 预训练权重文件，下载完成后重命名为 resnet50.pth，并放至在 data 目录下新建的 pretrained 目录下。最终目录结构参考如下所示。

SOLOV2
  ├── configs
  ├── data
        ├── coco
            ├── annotations 
            ├── train2017   
            ├── val2017     
        ├── pretrained
            ├── resnet50.pth

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/coco # 单卡精度
     bash ./test/train_performance_1p.sh --data_path=./data/coco  # 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/coco  # 8卡精度
     bash ./test/train_performance_8p.sh --data_path=./data/coco # 8卡性能

   • 单机单卡评测

     启动单机单卡评测。

     bash ./test/train_eval_1p.sh --data_path=./data/coco # 单卡评测

   --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：
   --opt-level                        //apex级别
   --autoscale-lr                     //是否自动缩放lr通过gpu的数量
   --seed                             //随机数种子
   --total_epochs                     //训练轮数
   --data_root                        //数据路径
   --gpu-ids                          //设备id
   --train_performance                //performance模式 1/ full模式 0

   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	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	18.4	2.5	1	O1	1.5
8p-竞品V	34.4	14.9	12	O1	1.5
1p-Npu	18.4	2.45	1	O1	1.8
8p-Npu	34.3	15.34	12	O1	1.8

版本说明

变更

2022.4.17：首次发布。

FAQ

无。