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

1. 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

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_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。

3. 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