概述
简述
SSD 模型利用不同尺度的特征图进行目标的检测，SSD 采用多个尺度检测方法是将 VGG16 网络输出的大特征图逐步采用步长为 2的卷积操作，生成不同大小的特征图。本项目实现了 SSD (Single Shot MultiBox Detector) 在 NPU 上的训练，迁移自 MMDetection，MMCV。
参考实现：
url=https://github.com/open-mmlab/mmdetection/tree/master/configs/ssd commit_id=e33ecfed37f594050e13537972e65f0ccf079982c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。
安装 MMCV。
git clone -b v1.2.7 git://github.com/open-mmlab/mmcv.git cp -f mmcv_need/_functions.py mmcv/mmcv/parallel/ cp -f mmcv_need/builder.py mmcv/mmcv/runner/optimizer/ cp -f mmcv_need/data_parallel.py mmcv/mmcv/parallel/ cp -f mmcv_need/dist_utils.py mmcv/mmcv/runner/ cp -f mmcv_need/distributed.py mmcv/mmcv/parallel/ cp -f mmcv_need/optimizer.py mmcv/mmcv/runner/hooks/ cp -f mmcv_need/epoch_based_runner.py mmcv/mmcv/runner/ cp -f mmcv_need/symbolic.py mmcv/mmcv/onnx/ cd mmcv export MMCV_WITH_OPS=1 export MAX_JOBS=8 python3 setup.py build_ext python3 setup.py develop pip3.7 list | grep mmcv cd ..安装 MMDetection。
pip3.7 install -r requirements/build.txt pip3.7 install -v -e . pip3.7 list | grep mmdet
准备数据集
获取数据集。
用户自行获取coco数据集，将数据集上传到任意路径下并解压在当前路径。
coco数据集目录结构参考如下所示（当前数据集所在位置为在源码包根目录下新建的“data/”目录下）。
SSD ├── configs ├── data │ └── coco │ ├── annotations │ ├── train2017 │ ├── val2017 │ └── test2017 ├── mmcv ├── mmdet ├── tools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
进入解压后的源码包根目录。
cd /${模型文件夹名称}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=xxx # 单卡性能 bash ./test/train_full_1p.sh --data_path=xxx # 单卡精度单机8卡训练
启动8卡训练。
bash ./test/train_performance_8p.sh --data_path=xxx # 8卡性能 bash ./test/train_full_8p.sh --data_path=xxx # 8卡精度单机8卡评测
启动8卡评测。
bash ./test/train_eval_8p.sh --data_path=xxx # 8卡评测多机多卡性能数据获取流程
1. 安装环境 2. 开始训练，每个机器所请按下面提示进行配置 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： config //训练配置文件路径 --work-dir //保存日志和模型的目录 --resume-from //检查点文件 --no-validate //训练期间是否不评估检查点 --gpus //训练卡的数量 --gpu-ids //训练卡的ids --seed //随机种子 --options //合并配置文件(不推荐) --cfg-options //合并配置文件(推荐) --launcher //作业启动器训练完成后，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。
计算FPS值。
FPS 可使用 calc_fps.py 计算，使用方法为：
python3 calc_fps.py xxx.log.json ${gpu_nums} ${batch_size}参数batch_size是模型训练加载图片的批次大小。
参数gpu_nums是模型训练时启动的卡数。
xxx.log.json是模型训练完成后生成的json文件，用于计算FPS值。
训练结果展示
表 2 训练结果展示表
| NAME | 0.5:0.95mAP | FPS | Epochs | AMP_Type | Torch_Version |
|---|---|---|---|---|---|
| 1p-竞品V | - | - | - | - | 1.5 |
| 8p-竞品V | - | - | - | - | 1.5 |
| 1p-npu | - | 13.55 | 1 | O2 | 1.8 |
| 8p-npu | 25.5 | 137.21 | 24 | O2 | 1.8 |
说明： 该模型的性能评测需开启二进制。
版本说明
变更
2022.10.14：更新torch1.8版本，重新发布。
2020.07.08：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