概述

简述

RetinaNet提出了一种使用Focal Loss的全新结构RetinaNet，使用ResNet+FPN作为backbone，再利用单级的目标识别法+Focal Loss。本文档描述的Retinanet是基于Pytorch实现的版本。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection/tree/v2.9.0/configs/retinanet
  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/built-in/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
  PyTorch 1.8	torchvision==0.9.1
  PyTorch 1.11	torchvision==0.12.0
  PyTorch 2.1	torchvision==0.16.0

• 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
  
  pip install -r 1.11_requirements.txt  # PyTorch1.11版本
  
  pip install -r 2.1_requirements.txt  # PyTorch2.1版本

  说明： 只需执行一条对应的PyTorch版本依赖安装命令。

• 编译安装mmcv。

  cd ${模型文件夹名称} （源码包根目录）
  git clone -b v1.2.6 --depth=1 https://github.com/open-mmlab/mmcv.git
  
  export MMCV_WITH_OPS=1
  export MAX_JOBS=8
  source test/env_npu.sh
  
  cd mmcv
  python3 setup.py build_ext
  python3 setup.py develop
  pip3.7 list | grep mmcv

• 安装mmdet。

  cd RetinaNet_for_PyTorch
  pip3.7 install -r requirements/build.txt
  pip3.7 install -v -e .
  pip3.7 list | grep mmdet

• 替换mmcv部分文件。

  cd ${模型文件夹名称}/mmcv_need
  cp -f ./_functions.py ../mmcv/mmcv/parallel/
  cp -f ./builder.py ../mmcv/mmcv/runner/optimizer/
  cp -f ./data_parallel.py ../mmcv/mmcv/parallel/
  cp -f ./dist_utils.py ../mmcv/mmcv/runner/
  cp -f ./distributed.py ../mmcv/mmcv/parallel/
  cp -f ./optimizer.py ../mmcv/mmcv/runner/hooks/ 

准备数据集

1. 下载COCO数据集

2. 在源码包根目录下新建"data"文件夹

3. 将coco数据集解压后放至于"data"目录下

   以coco2017数据集为例，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。

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。

     chmod +x ./tools/dist_train.sh
     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。

     chmod +x ./tools/dist_train.sh
     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

   • 多机多卡性能数据获取流程。

     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。

   公共参数：
   --opt-level                         //混合精度类型
   --addr                              //主机地址
   --seed                              //训练的随机数种子
   --gpu-ids                           //使用训练卡id
   --work-dir                          //模型保存日志
   --gpus                              //训练卡使用个数

   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	mAP	FPS	Epochs	AMP_Type	Torch_Version
1p-NPU	-	17	1	O1	1.11
8p-NPU（物理机）	0.360	112	12	O1	1.11
8p-NPU（容器）	0.360	98	12	O1	1.11

• 说明：由于容器中CPU利用率较低，该模型在容器中训练较物理机会有性能劣化

版本说明

变更

2023.02.14：更新readme，重新发布。

2021.04.12：首次发布。

FAQ

无。

公网地址说明

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