SSD说明

SSD将边界框的输出空间离散成一组默认框，每个特征映射位置具有不同的纵横比和尺度。在预测时，网络对每个默认框中存在的对象类别进行评分，并对框进行调整以更好地匹配对象形状。此外，网络将多个不同分辨率的特征映射的预测组合在一起，自然处理各种大小的对象。

论文： Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg.European Conference on Computer Vision (ECCV), 2016 (In press).

模型架构

SSD方法基于前向卷积网络，该网络产生固定大小的边界框集合，并针对这些框内存在的对象类实例进行评分，然后通过非极大值抑制步骤进行最终检测。早期的网络层基于高质量图像分类的标准体系结构，被称为基础网络。后来通过向网络添加辅助结构进行检测。

我们提供了4种不同的基础架构:

ssd300，参考论文实现。使用mobilenet-v2作为骨干网络，并使用和论文相同的bbox预测器。
*ssd-mobilenet-v1-fpn，使用mobilenet-v1和FPN作为特征提取器，并使用权重共享box预测器。
*ssd-resnet50-fpn，使用resnet50和FPN作为特征提取器，并使用权重共享box预测器。
ssd-vgg16，参考论文实现。使用vgg16作为骨干网络，并使用和论文相同的bbox预测器。

数据集

使用的数据集： COCO2017

数据集大小：19 GB
- 训练集：18 GB，118000张图像
- 验证集：1 GB，5000张图像
- 标注：241 MB，实例，字幕，person_keypoints等
数据格式：图像和json文件
- 注意：数据在dataset.py中处理

helmet

数据集大小：526 MB
- 训练集：325 MB，1500张图像
- 验证集：201 MB，1000张图像

环境要求

安装MindSpore。
下载数据集COCO2017。

scripts中提供了自动下载COCO2017的脚本run_download_dataset.sh，可使用此脚本自动下载并解压数据集。目前仅支持COCO2017数据集自动下载。

bash run_download_dataset.sh [DATASET] [CONFIG_FILE]
# 例如：
bash run_download_dataset.sh coco config/ssd_resnet50_fpn_config.yaml

本示例默认使用COCO2017作为训练数据集，您也可以使用自己的数据集。
1. 如果使用coco数据集。执行脚本时选择数据集coco。 安装Cython和pycocotool，也可以安装mmcv进行数据处理。
```
pip install Cython

pip install pycocotools
```
  并在yaml文件中更改COCO_ROOT和其他您需要的设置。目录结构如下：
```
.
└─cocodataset
  ├─annotations
    ├─instance_train2017.json
    └─instance_val2017.json
  ├─val2017
  └─train2017
```
2. 如果使用自己的数据集。执行脚本时选择数据集为other。 将数据集信息整理成TXT文件，每行如下：
```
train2017/0000001.jpg 0,259,401,459,7 35,28,324,201,2 0,30,59,80,2
```
  每行是按空间分割的图像标注，第一列是图像的相对路径，其余为[xmin,ymin,xmax,ymax,class]格式的框和类信息。我们从IMAGE_DIR（数据集目录）和ANNO_PATH（TXT文件路径）的相对路径连接起来的图像路径中读取图像。在*yaml中设置IMAGE_DIR和ANNO_PATH。

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

Ascend处理器环境运行

# Ascend分布式训练
bash run_distribute_train.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [RANK_TABLE_FILE] [CONFIG_PATH]

# Ascend单卡训练
bash run_standalone_train.sh [DEVICE_ID] [EPOCH_SIZE] [LR] [DATASET] [CONFIG_PATH]

# Ascend处理器环境运行eval
bash run_eval.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID] [CONFIG_PATH]

GPU处理器环境运行

# GPU分布式训练
bash run_distribute_train_gpu.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [CONFIG_PATH]

# GPU处理器环境运行eval
bash run_eval_gpu.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID] [CONFIG_PATH]

如果要在modelarts上进行模型的训练，可以参考modelarts的官方指导文档(https://support.huaweicloud.com/modelarts/) 开始进行模型的训练和推理，具体操作如下：

# 在modelarts上使用分布式训练的示例：
# (1) 选址a或者b其中一种方式。
#       a. 设置 "enable_modelarts=True" 。
#          在yaml文件上设置网络所需的参数。
#       b. 增加 "enable_modelarts=True" 参数在modearts的界面上。
#          在modelarts的界面上设置网络所需的参数。
# (2)设置网络配置文件的路径 "config_path=/The path of config in S3/"
# (3) 在modelarts的界面上设置代码的路径 "/path/ssd"。
# (4) 在modelarts的界面上设置模型的启动文件 "train.py" 。
# (5) 在modelarts的界面上设置模型的数据路径 "Dataset path" ,
# 模型的输出路径"Output file path" 和模型的日志路径 "Job log path" 。
# (6) 开始模型的训练。

# 在modelarts上使用模型推理的示例
# (1) 把训练好的模型地方到桶的对应位置。
# (2) 选址a或者b其中一种方式。
#       a.  设置 "enable_modelarts=True"
#          设置 "checkpoint_file_path='/cache/checkpoint_path/model.ckpt" 在 yaml 文件.
#          设置 "checkpoint_url=/The path of checkpoint in S3/" 在 yaml 文件.
#       b. 增加 "enable_modelarts=True" 参数在modearts的界面上。
#          增加 "checkpoint_file_path='/cache/checkpoint_path/model.ckpt'" 参数在modearts的界面上。
#          增加 "checkpoint_url=/The path of checkpoint in S3/" 参数在modearts的界面上。
# (3) 设置网络配置文件的路径 "config_path=/The path of config in S3/"
# (4) 在modelarts的界面上设置代码的路径 "/path/ssd"。
# (5) 在modelarts的界面上设置模型的启动文件 "eval.py" 。
# (6) 在modelarts的界面上设置模型的数据路径 "Dataset path" ,
# 模型的输出路径"Output file path" 和模型的日志路径 "Job log path" 。
# (7) 开始模型的推理。

脚本说明

脚本及样例代码

.
└─ cv
  └─ ssd
    ├─ README.md                      ## SSD相关说明
    ├─ ascend310_infer                ## 实现310推理源代码
    ├─ scripts
      ├─ docker_start.sh              ## 容器启动脚本
      ├─ run_distribute_train.sh      ## Ascend分布式shell脚本
      ├─ run_distribute_train_gpu.sh  ## GPU分布式shell脚本
      ├─ run_download_dataset.sh      ## 下载数据集shell脚本
      ├─ run_eval.sh                  ## Ascend评估shell脚本
      ├─ run_eval_onnx.sh             ## onnx模型评估shell脚本
      ├─ run_eval_gpu.sh              ## GPU评估shell脚本
      ├─ run_export.sh                ## MINDIR、AIR、ONNX导出脚本
      └─ run_infer_cpp.sh             ## C++推理脚本
    ├─ src
      ├─ __init__.py                      ## 初始化文件
      ├─ anchor_generator.py              ## 锚点生成器
      ├─ box_util.py                      ## bbox工具
      ├─ dataset.py                       ## 创建并处理数据集
      ├─ download_dataset.py              ## 下载数据集
      ├─ eval_callback.py                 ## eval回调方法定义
      ├─ eval_utils.py                    ## eval工具
      ├─ fpn.py                           ## 特征金字塔网络
      ├─ init_params.py                   ## 参数工具
      ├─ lr_schedule.py                   ## 学习率生成器
      ├─ mobilenet_v1.py                  ## mobilenet-v1网络定义
      ├─ resnet.py                        ## resnet网络定义
      ├─ ssd.py                           ## SSD架构
      └─ vgg16.py                         ## vgg16网络定义
      ├── model_utils
      │   ├──config.py                    ## 参数配置
      │   ├──device_adapter.py            ## 设备配置
      │   ├──local_adapter.py             ## 本地设备配置
      │   ├──moxing_adapter.py            ## modelarts设备配置
    ├─ config
        ├─ ssd_mobilenet_v1_300_config_gpu.yaml ## 参数配置
        ├─ ssd_mobilenet_v1_fpn_config.yaml ## 参数配置
        ├─ ssd_resnet50_fpn_config.yaml ## 参数配置
        ├─ ssd_vgg16_config.yaml ## 参数配置
        ├─ ssd300_config.yaml ## 参数配置
        ├─ ssd_mobilenet_v1_fpn_config_gpu.yaml ## GPU参数配置
        ├─ ssd_resnet50_fpn_config_gpu.yaml ## GPU参数配置
        ├─ ssd_vgg16_config_gpu.yaml ## GPU参数配置
        ├─ ssd300_config_gpu.yaml ## GPU参数配置
        └─ ssd_mobilenet_v1_fpn_ONNX_config.yaml ## 参数配置
    ├─ Dockerfile                         ## docker文件
    ├─ download_dataset.py                ## 下载数据集脚本
    ├─ eval.py                            ## 评估脚本
    ├─ export.py                          ## 导出 AIR,MINDIR模型的脚本
    ├─ postprocess.py                     ## 310推理后处理脚本
    ├─ train.py                           ## 训练脚本
    └─ mindspore_hub_conf.py              ## MindSpore Hub接口

脚本参数

yaml文件中中主要参数如下：

  "device_num": 1                            # 使用设备数量
  "lr": 0.05                                 # 学习率初始值
  "dataset": coco                            # 数据集名称
  "epoch_size": 500                          # 轮次大小
  "batch_size": 32                           # 输入张量的批次大小
  "pre_trained": None                        # 预训练检查点文件路径
  "pre_trained_epoch_size": 0                # 预训练轮次大小
  "save_checkpoint_epochs": 10               # 两个检查点之间的轮次间隔。默认情况下，每10个轮次都会保存检查点
  "loss_scale": 1024                         # 损失放大
  "data_path": "your_path/data"              # your_path是你自己的路径，一定要是绝对路径
  "output_path": "your_path/data/train"      # your_path是你自己的路径，一定要是绝对路径
  "load_path": "your_path/data/checkpoint"   # your_path是你自己的路径，一定要是绝对路径

  "class_num": 81                            # 数据集类数
  "img_shape": [300, 300]                    # 作为模型输入的图像高和宽
  "mindrecord_dir": "/data/MindRecord_COCO"  # MindRecord路径
  "coco_root": "your_path/cocodataset"       # COCO2017数据集路径
  "voc_root": ""                             # VOC原始数据集路径
  "image_dir": ""                            # 其他数据集图片路径，如果使用coco或voc，此参数无效。
  "anno_path": ""                            # 其他数据集标注路径，如果使用coco或voc，此参数无效。

训练过程

运行train.py训练模型。如果mindrecord_dir为空，则会通过coco_root（coco数据集）或image_dir和anno_path（自己的数据集）生成MindRecord文件。注意，如果mindrecord_dir不为空，将使用mindrecord_dir代替原始图像。

Ascend上训练

分布式

    bash run_distribute_train.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [RANK_TABLE_FILE] [CONFIG_PATH] [PRE_TRAINED](optional) [PRE_TRAINED_EPOCH_SIZE](optional)

此脚本需要五或七个参数。

DEVICE_NUM：分布式训练的设备数。
EPOCH_NUM：分布式训练的轮次数。
LR：分布式训练的学习率初始值。
DATASET：分布式训练的数据集模式。
RANK_TABLE_FILE：rank_table.json的路径。最好使用绝对路径。
CONFIG_PATH: 参数配置。
PRE_TRAINED：预训练检查点文件的路径。最好使用绝对路径。
PRE_TRAINED_EPOCH_SIZE：预训练的轮次数。

训练结果保存在当前路径中，文件夹名称以"LOG"开头。您可在此文件夹中找到检查点文件以及结果，如下所示。

epoch: 1 step: 458, loss is 3.1681802
epoch time: 228752.4654865265, per step time: 499.4595316299705
epoch: 2 step: 458, loss is 2.8847265
epoch time: 38912.93382644653, per step time: 84.96273761232868
epoch: 3 step: 458, loss is 2.8398118
epoch time: 38769.184827804565, per step time: 84.64887516987896
...

epoch: 498 step: 458, loss is 0.70908034
epoch time: 38771.079778671265, per step time: 84.65301261718616
epoch: 499 step: 458, loss is 0.7974688
epoch time: 38787.413120269775, per step time: 84.68867493508685
epoch: 500 step: 458, loss is 0.5548882
epoch time: 39064.8467540741, per step time: 85.29442522723602

GPU训练

分布式

    bash run_distribute_train_gpu.sh [DEVICE_NUM] [EPOCH_SIZE] [LR] [DATASET] [CONFIG_PATH] [PRE_TRAINED](optional) [PRE_TRAINED_EPOCH_SIZE](optional)

此脚本需要五或七个参数。

DEVICE_NUM：分布式训练的设备数。
EPOCH_NUM：分布式训练的轮次数。
LR：分布式训练的学习率初始值。
DATASET：分布式训练的数据集模式。
CONFIG_PATH: 参数配置。
PRE_TRAINED：预训练检查点文件的路径。最好使用绝对路径。
PRE_TRAINED_EPOCH_SIZE：预训练的轮次数。

训练结果保存在当前路径中，文件夹名称以"LOG"开头。您可在此文件夹中找到检查点文件以及结果，如下所示。

epoch: 1 step: 1, loss is 420.11783
epoch: 1 step: 2, loss is 434.11032
epoch: 1 step: 3, loss is 476.802
...
epoch: 1 step: 458, loss is 3.1283689
epoch time: 150753.701, per step time: 329.157
...

评估过程

Ascend处理器环境评估

bash run_eval.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID] [CONFIG_PATH]

此脚本需要四个参数。

DATASET：评估数据集的模式。
CHECKPOINT_PATH：检查点文件的绝对路径。
DEVICE_ID: 评估的设备ID。
CONFIG_PATH: 参数配置。

在训练过程中可以生成检查点。

推理结果保存在示例路径中，文件夹名称以“eval”开头。您可以在日志中找到类似以下的结果。

Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.238
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.400
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.240
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.039
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.198
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.438
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.250
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.389
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.424
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.122
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.434
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.697

========================================

mAP: 0.23808886505483504

GPU处理器环境评估

bash run_eval_gpu.sh [DATASET] [CHECKPOINT_PATH] [DEVICE_ID] [CONFIG_PATH]

此脚本需要四个参数。

DATASET：评估数据集的模式。
CHECKPOINT_PATH：检查点文件的绝对路径。
DEVICE_ID: 评估的设备ID。
CONFIG_PATH: 参数配置。

在训练过程中可以生成检查点。

推理结果保存在示例路径中，文件夹名称以“eval”开头。您可以在日志中找到类似以下的结果。

Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.224
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.375
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.228
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.034
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.189
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.407
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.243
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.382
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.417
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.120
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.425
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.686

========================================

mAP: 0.2244936111705981

ONNX处理器环境评估

bash run_eval_onnx.sh <DATA_PATH> <COCO_ROOT> <ONNX_MODEL_PATH> [<INSTANCES_SET>] [<DEVICE_TARGET>] [<CONFIG_PATH>]

此脚本需要三个参数。

DATA_PATH：mindspore评估生成的data路径。
COCO_ROOT：COCO2017数据集路径。
ONNX_MODEL_PATH: onnx模型的路径。

推理结果保存在示例路径中您可以在eval.log日志中找到类似以下的结果。

Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.239
  Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.398
  Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.242
  Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.035
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.198
  Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.436
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.251
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.388
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.423
  Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.117
  Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.435
  Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.688
  mAP: 0.23850595066045968

推理过程

Ascend310执行推理

导出MindIR

本地导出mindir

python export.py --checkpoint_file_path /path/to/ssd.ckpt --file_name /path/to/ssd.onnx --file_format ONNX --config_path config/ssd300_config_gpu.yaml --batch_size 1

参数ckpt_file为必填项， FILE_FORMAT 必须在 ["AIR", "MINDIR", "ONNX"]中选择。

也可使用scripts中的shell脚本进行导出，仅需给出配置脚本路径和导出类型即可。导出类型可选AIR/MINDIR/ONNX。

bash run_export.sh [CONFIG_FILE_PATH] [FILE_FORMAT]

ModelArts导出mindir

# (1) 把训练好的模型地方到桶的对应位置。
# (2) 选址a或者b其中一种方式。
#       a.  设置 "enable_modelarts=True"
#          设置 "checkpoint_file_path='/cache/checkpoint_path/model.ckpt" 在 yaml 文件。
#          设置 "checkpoint_url=/The path of checkpoint in S3/" 在 yaml 文件。
#          设置 "file_name='./ssd'"参数在yaml文件。
#          设置 "file_format: 'MINDIR'" 参数在yaml文件。
#       b. 增加 "enable_modelarts=True" 参数在modearts的界面上。
#          增加 "checkpoint_file_path='/cache/checkpoint_path/model.ckpt'" 参数在modearts的界面上。
#          增加 "checkpoint_url=/The path of checkpoint in S3/" 参数在modearts的界面上。
#          设置 "file_name='./ssd'"参数在modearts的界面上。
#          设置 "file_format: 'MINDIR'" 参数在modearts的界面上。
# (3) 设置网络配置文件的路径 "config_path=/The path of config in S3/"
# (4) 在modelarts的界面上设置代码的路径 "/path/ssd"。
# (5) 在modelarts的界面上设置模型的启动文件 "export.py" 。
# 模型的输出路径"Output file path" 和模型的日志路径 "Job log path" 。
# (6) 开始导出mindir。

执行推理

在执行推理前，mindir文件必须通过export.py脚本导出。以下展示了使用minir模型执行推理的示例。目前仅支持batch_Size为1的推理。精度计算过程需要70G+的内存，否则进程将会因为超出内存被系统终止。

bash run_infer_cpp.sh [MINDIR_PATH] [DATA_PATH] [DVPP] [CONFIG_PATH] [DEVICE_TYPE] [DEVICE_ID]

DVPP 为必填项，需要在["DVPP", "CPU"]选择，大小写均可。需要注意的是ssd_vgg16执行推理的图片尺寸为[300, 300]，由于DVPP硬件限制宽为16整除，高为2整除，因此，这个网络需要通过CPU算子对图像进行前处理。
DEVICE_ID 可选，默认值为0。

结果

推理结果保存在脚本执行的当前路径，你可以在acc.log中看到以下精度计算结果。

Average Precision (AP) @[ IoU=0.50:0.95 | area= all   | maxDets=100 ] = 0.339
Average Precision (AP) @[ IoU=0.50      | area= all   | maxDets=100 ] = 0.521
Average Precision (AP) @[ IoU=0.75      | area= all   | maxDets=100 ] = 0.370
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.168
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.386
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.461
Average Recall    (AR) @[ IoU=0.50:0.95 | area= all   | maxDets=  1 ] = 0.310
Average Recall    (AR) @[ IoU=0.50:0.95 | area= all   | maxDets= 10 ] = 0.481
Average Recall    (AR) @[ IoU=0.50:0.95 | area= all   | maxDets=100 ] = 0.515
Average Recall    (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.293
Average Recall    (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.659
mAP: 0.33880018942412393

ONNX推理

导出ONNX

python export.py --checkpoint_file_path /path/to/ssd.ckpt --file_name /path/to/ssd.onnx --file_format ONNX --config_path config/ssd300_config_gpu.yaml --batch_size 1

参数ckpt_file为必填项， FILE_FORMAT 选择ONNX。

执行推理

目前仅支持batch_Size为1的推理，batch_Size在推理脚本中已经给出。

/bin/bash ./infer_ssd_mobilenet_v1_fpn_onnx.sh <DATA_PATH> <COCO_ROOT> <ONNX_MODEL_PATH> [<INSTANCES_SET>] [<DEVICE_TARGET>] [<CONFIG_PATH>]

# 示例
/bin/bash ./infer_ssd_mobilenet_v1_fpn_onnx.sh ../cocodataset/ val2017 ../SSDMOBILE.onnx /home/workspace/ssd/cocodataset/annotations/instances_{}.json GPU ../config/ssd_mobilenet_v1_fpn_ONNX_config.yaml

结果

推理结果保存在脚本执行的当前路径，你可以在acc.log中看到以下精度计算结果。

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.351
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.522
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.382
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.179
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.353
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.485
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.325
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.516
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.548
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.325
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.567
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.702

========================================

mAP: 0.3510553464069668

模型描述

性能

参数	Ascend	GPU	CPU
网络	SSD MobileNetV2	SSD MobileNetV2	SSD MobileNetV2
资源	Ascend 910; OS Euler2.8	GPU(Tesla V100 PCIE)，CPU 2.1GHz 64 cores，Memory 128G	CPU
上传日期	07/05/2020 (month/day/year)	09/24/2020 (month/day/year)	11/05/2020 (month/day/year)
昇思版本	1.3.0	1.3.0	1.3.0
数据集	COCO2017	COCO2017	helmet
训练参数	epoch = 500, batch_size = 32	epoch = 800, batch_size = 24(8ps)/32(1ps)	epoch = 40, batch_size = 16
优化器	Momentum	Momentum	Momentum
损失函数	Sigmoid Cross Entropy,SmoothL1Loss	Sigmoid Cross Entropy,SmoothL1Loss	Sigmoid Cross Entropy,SmoothL1Loss
性能	8pcs: 90ms/step	8pcs: 121ms/step	1230ms/step
训练耗时	8pcs: 4.81hours	8pcs: 12.31hours	1.2h
推理输出	mAP	mAP	mAP
评价指标	IoU=0.50: 22%	IoU=0.50: 22%	IoU=0.50: 49.0%
推理模型大小	34M(.ckpt file)	34M(.ckpt file)	34M(.ckpt file)
参数文件	ssd300_config.yaml	ssd300_config_gpu.yaml	ssd300_config.yaml
脚本链接	https://gitee.com/mindspore/models/tree/master/official/cv/SSD

参数	Ascend	GPU
网络	SSD-MobileNetV1-FPN	SSD-MobileNetV1-FPN
资源	Ascend 910; OS Euler2.8	GPU(Tesla V100 PCIE)，CPU 2.1GHz 64 cores，Memory 128G
上传日期	11/14/2020 (month/day/year)	07/23/2021 (month/day/year)
昇思版本	1.3.0	1.3.0
数据集	COCO2017	COCO2017
训练参数	epoch = 60, batch_size = 32	epoch = 60, batch_size = 16
优化器	Momentum	Momentum
损失函数	Sigmoid Cross Entropy,SmoothL1Loss	Sigmoid Cross Entropy,SmoothL1Loss
性能	8pcs: 408 ms/step	8pcs: 640 ms/step
训练耗时	8pcs: 4.5 hours	8pcs: 9.7 hours
推理输出	mAP	mAP
评价指标	IoU=0.50: 29.1 %	IoU=0.50: 29.1 %
推理模型大小	96M(.ckpt file)	96M(.ckpt file)
参数文件	ssd_mobilenet_v1_fpn_config.yaml	ssd_mobilenet_v1_fpn_config_gpu.yaml
脚本链接	https://gitee.com/mindspore/models/tree/master/official/cv/SSD

参数	Ascend	GPU
网络	SSD-Resnet50-FPN	SSD-Resnet50-FPN
资源	Ascend 910; OS Euler2.8	GPU(Tesla V100 PCIE)，CPU 2.1GHz 64 cores，Memory 128G
上传日期	03/10/2021 (month/day/year)	07/23/2021 (month/day/year)
昇思版本	1.3.0	1.3.0
数据集	COCO2017	COCO2017
训练参数	epoch = 60, batch_size = 32	epoch = 60, batch_size = 16
优化器	Momentum	Momentum
损失函数	Sigmoid Cross Entropy,SmoothL1Loss	Sigmoid Cross Entropy,SmoothL1Loss
性能	8pcs: 345 ms/step	8pcs: 877 ms/step
训练耗时	8pcs: 4.1 hours	8pcs: 12 hours
推理输出	mAP	mAP
评价指标	IoU=0.50: 34.3%	IoU=0.50: 34.3 %
推理模型大小	255M(.ckpt file)	255M(.ckpt file)
参数文件	ssd_resnet50_fpn_config.yaml	ssd_resnet50_fpn_config_gpu.yaml
脚本链接	https://gitee.com/mindspore/models/tree/master/official/cv/SSD

参数	Ascend	GPU
网络	SSD VGG16	SSD VGG16
资源	Ascend 910; OS Euler2.8	GPU(Tesla V100 PCIE)，CPU 2.1GHz 64 cores，Memory 128G
上传日期	03/27/2021 (month/day/year)	07/23/2021 (month/day/year)
昇思版本	1.3.0	1.3.0
数据集	COCO2017	COCO2017
训练参数	epoch = 150, batch_size = 32	epoch = 150, batch_size = 32
优化器	Momentum	Momentum
损失函数	Sigmoid Cross Entropy,SmoothL1Loss	Sigmoid Cross Entropy,SmoothL1Loss
性能	8pcs: 117 ms/step	8pcs: 403 ms/step
训练耗时	8pcs: 4.81hours	8pcs: 16.8 hours
推理输出	mAP	mAP
评价指标	IoU=0.50: 23.2%	IoU=0.50: 23.2%
推理模型大小	186M(.ckpt file)	186M(.ckpt file)
参数文件	ssd_vgg16_config.yaml	ssd_vgg16_config_gpu.yaml
脚本链接	https://gitee.com/mindspore/models/tree/master/official/cv/SSD

参数	GPU
网络	SSD MobileNetV1
资源	GPU(Tesla V100 PCIE)，CPU 2.1GHz 64 cores，Memory 128G
上传日期	03/03/2022 (month/day/year)
昇思版本	1.5.0
数据集	COCO2017
训练参数	epoch = 500, batch_size = 32
优化器	Momentum
损失函数	Sigmoid Cross Entropy,SmoothL1Loss
性能	8pcs: 108 ms/step
训练耗时	8pcs: 6.87hours
推理输出	mAP
评价指标	IoU=0.50: 21.5%
推理模型大小	88M(.ckpt file)
参数文件	ssd_mobilenet_v1_300_config_gpu.yaml
脚本链接	https://gitee.com/mindspore/models/tree/master/official/cv/SSD

随机情况说明

dataset.py中设置了“create_dataset”函数内的种子，同时还使用了train.py中的随机种子。

ModelZoo主页

请浏览官网主页。

MindSpore/models

目录

SSD说明

模型架构

数据集

环境要求

快速入门

脚本说明

脚本及样例代码

脚本参数

训练过程

Ascend上训练

GPU训练

评估过程

Ascend处理器环境评估

GPU处理器环境评估

ONNX处理器环境评估

推理过程

Ascend310执行推理

导出MindIR

执行推理

结果

ONNX推理

导出ONNX

执行推理

结果

模型描述

性能

随机情况说明

ModelZoo主页

简介

发行版

贡献者

近期动态

MindSpore/models .gitee-modal { width: 500px !important; }

目录

SSD说明

模型架构

数据集

环境要求

快速入门

脚本说明

脚本及样例代码

脚本参数

训练过程

Ascend上训练

GPU训练

评估过程

Ascend处理器环境评估

GPU处理器环境评估

ONNX处理器环境评估

推理过程

Ascend310执行推理

导出MindIR

执行推理

结果

ONNX推理

导出ONNX

执行推理

结果

模型描述

性能

随机情况说明

ModelZoo主页

简介

发行版

开源评估指数源自 OSS-Compass 评估体系，评估体系围绕以下三个维度对项目展开评估：

贡献者

近期动态

搜索帮助

MindSpore/models