概述

简述

DETR提出了一种将对象检测视为直接集合预测问题，能够一次性预测所有的目标，其训练采用一种集合损失函数以端到端方式进行，集合损失定义在预测结果与真实目标的二部图匹配结果上；该方法简化了检测管道，有效地消除了对许多手工设计组件的需求，例如非最大抑制程序或锚点生成，简化了检测流程；和存在的其他检测方法不一样，DETR不需要任何定制的层，因此能够便捷的在任何包含transformer和CNN的深度框架中进行复现。

• 参考实现：

  url=https://github.com/facebookresearch/detr
  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	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。

准备数据集

1. 获取数据集。

   用户自行获取原始数据集COCO2017，将数据集上传到服务器任意路径下并解压。

   目录结构如下：

     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。

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}
   dos2unix ./test/*.sh

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_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：
   --coco_path                         //数据集路径
   --workers                           //加载数据进程数
   --epochs                            //重复训练次数
   --batch-size                        //训练批次大小
   --gpu                               //指定设备号
   --max_steps                         //跑性能最大执行步数

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。

训练细节：

我们使用 AdamW 训练 DETR，将transformer中的学习率设置为 1e-4 和主干中的 1e-5。 水平翻转、缩放和裁剪用于数据增强。 图像将重新缩放为最小大小 800，最大大小为 1333。 transformer的dropout比例为 0.1，整个模型都是用梯度裁剪为 0.1 进行训练。

训练结果展示

表 2 训练结果展示表

Name	LOSS	FPS	Epochs/steps	AMP_Type	Torch_version
1p-竞品v	-	12.7	1000steps	O0	1.5
8p-竞品v	-	73.5	2epochs	O0	1.5
1p-NPU	24.4104	0.2	1000steps	O0	1.5
8p-NPU	24.9557	0.489	2 epochs	O0	1.5

版本说明

变更

2020.07.08：首次发布。

已知问题

无。