代码拉取完成，页面将自动刷新
在Faster R-CNN之前，目标检测网络依靠区域候选算法来假设目标的位置，如SPPNet、Fast R-CNN等。研究结果表明，这些检测网络的运行时间缩短了，但区域方案的计算仍是瓶颈。
Faster R-CNN提出，基于区域检测器（如Fast R-CNN）的卷积特征映射也可以用于生成区域候选。在这些卷积特征的顶部构建区域候选网络（RPN）需要添加一些额外的卷积层（与检测网络共享整个图像的卷积特征，可以几乎无代价地进行区域候选），同时输出每个位置的区域边界和客观性得分。因此，RPN是一个全卷积网络，可以端到端训练，生成高质量的区域候选，然后送入Fast R-CNN检测。
论文： Ren S , He K , Girshick R , et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(6).
Faster R-CNN是一个两阶段目标检测网络，该网络采用RPN，可以与检测网络共享整个图像的卷积特征，可以几乎无代价地进行区域候选计算。整个网络通过共享卷积特征，进一步将RPN和Fast R-CNN合并为一个网络。
使用的数据集：COCO 2017
使用的数据集：FaceMaskDetection
1.数据划分,splitdata.py，将下载的原始数据解压放在/data目录下，包含images图像目录和annotations标注目录（格式为XML格式），在执行split_data.py之后，会对原始数据进行划分，得到训练集/data/train/和验证集/data/val/
此时/data目录结构如下
└─data
├─train
├─images
└─annotations
├─val
├─images
└─annotations
├─images
└─annotations
2.xml转coco,xml2coco.py,第1步对数据划分后，标注格式是XML格式，需要将XML转成COCO格式
2.0 在/data目录下新建face_detction目录，在facedetection新建annotations目录
2.1 生成COCO格式训练集，python xml2coco.py --data_path /data/train/ --save_path /data/face_detection/annotations/instances_train2017.json
2.2 生存COCO格式验证集, python xml2coco.py --data_path /data/val/ --save_path /data/face_detection/annotations/instances_val2017.json
2.3 将/data/train/images 复制到/data/face_detection/下，并重命名为train2017；将/data/val/images 复制到/data/face_detection/下，并重命名为val2017
最终数据及目录结构如下,在训练和推理中主要涉及face_detction目录
└─data
├─train
├─images
└─*.png
└─annotations
└─*.xml
├─val
├─images
└─*.png
└─annotations
└─*.xml
├─images
├─annotations
└─face_detection
├─train2017
└─*.png
├─val2017
└─*.png
└─annotations
├─instances_train2017.json
└─instances_val2017.json
硬件（Ascend/GPU/CPU）
获取基础镜像
安装MindSpore。
下载数据集COCO 2017。
本示例默认使用COCO 2017作为训练数据集，您也可以使用自己的数据集。
若使用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
pip install mmcv==0.2.14
根据模型运行需要，对应地在default_config.yaml、default_config_101.yaml、default_config_152.yaml或default_config_InceptionResnetV2.yaml中更改COCO_ROOT和其他需要的设置。目录结构如下：
.
└─cocodataset
├─annotations
├─instance_train2017.json
└─instance_val2017.json
├─val2017
└─train2017
若使用自己的数据集，执行脚本时选择数据集为other。 将数据集信息整理成TXT文件，每行内容如下：
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。从IMAGE_DIR（数据集目录）图像路径以及ANNO_PATH（TXT文件路径）的相对路径中读取图像。IMAGE_DIR和ANNO_PATH可在default_config.yaml、default_config_101.yaml、default_config_152.yaml或default_config_InceptionResnetV2.yaml中设置。
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：
注意：
# 权重文件转换
python -m src.convert_checkpoint --ckpt_file=[BACKBONE_MODEL]
# 单机训练
bash run_standalone_train_ascend.sh [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# 分布式训练
bash run_distribute_train_ascend.sh [RANK_TABLE_FILE] [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [MINDRECORD_DIR](optional)
# 评估
bash run_eval_ascend.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
#推理(IMAGE_WIDTH和IMAGE_HEIGHT必须同时设置或者同时使用默认值。)
bash run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [ANN_FILE] [IMAGE_WIDTH](optional) [IMAGE_HEIGHT](optional) [DEVICE_ID](optional)
# 权重文件转换
python -m src.convert_checkpoint --ckpt_file=[BACKBONE_MODEL]
# 单机训练
bash run_standalone_train_gpu.sh [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# 分布式训练
bash run_distribute_train_gpu.sh [DEVICE_NUM] [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [MINDRECORD_DIR](optional)
# 评估
python eval.py --anno_path=[ANN_FILE] --checkpoint_path=[CHECKPOINT_PATH] --coco_root=[FACE_DETECTION_PATH] --config_path=[CONFIG_PATH]
# 单机训练
python train.py --config_path=[CONFIG_PATH] --pre_trained=[PRE_TRAINED] --coco_root=[FACE_DETECTION_PATH]
# 评估
python eval.py --anno_path=[ANN_FILE] --checkpoint_path=[CHECKPOINT_PATH] --coco_root=[FACE_DETECTION_PATH] --config_path=[CONFIG_PATH]
# 编译镜像
docker build -t fasterrcnn:20.1.0 . --build-arg FROM_IMAGE_NAME=ascend-mindspore-arm:20.1.0
# 启动容器实例
bash scripts/docker_start.sh fasterrcnn:20.1.0 [DATA_DIR] [MODEL_DIR]
# 单机训练
bash run_standalone_train_ascend.sh [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# 分布式训练
bash run_distribute_train_ascend.sh [RANK_TABLE_FILE] [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [MINDRECORD_DIR](optional)
# 评估
python eval.py --anno_path=[ANN_FILE] --checkpoint_path=[CHECKPOINT_PATH] --coco_root=[FACE_DETECTION_PATH] --config_path=[CONFIG_PATH]
# 推理
bash run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [ANN_FILE] [IMAGE_WIDTH](optional) [IMAGE_HEIGHT](optional) [DEVICE_ID](optional)
在 ModelArts 进行训练 (如果你想在modelarts上运行，可以参考以下文档 modelarts)
# 在 ModelArts 上使用8卡训练
# (1) 执行a或者b
# a. 在 default_config.yaml 文件中设置 "enable_modelarts=True"
# 在 default_config.yaml 文件中设置 "distribute=True"
# 在 default_config.yaml 文件中设置 "data_path='/cache/data'"
# 在 default_config.yaml 文件中设置 "epoch_size: 20"
# (可选)在 default_config.yaml 文件中设置 "checkpoint_url='s3://dir_to_your_pretrained/'"
# 在 default_config.yaml 文件中设置 其他参数
# b. 在网页上设置 "enable_modelarts=True"
# 在网页上设置 "distribute=True"
# 在网页上设置 "data_path=/cache/data"
# 在网页上设置 "epoch_size: 20"
# (可选)在网页上设置 "checkpoint_url='s3://dir_to_your_pretrained/'"
# 在网页上设置 其他参数
# (2) 准备模型代码
# (3) 如果选择微调您的模型，请上传你的预训练模型到 S3 桶上
# (4) 执行a或者b (推荐选择 a)
# a. 第一, 将该数据集压缩为一个 ".zip" 文件。
# 第二, 上传你的压缩数据集到 S3 桶上 (你也可以上传未压缩的数据集，但那可能会很慢。)
# b. 上传原始数据集到 S3 桶上。
# (数据集转换发生在训练过程中，需要花费较多的时间。每次训练的时候都会重新进行转换。)
# (5) 在网页上设置你的代码路径为 "/path/faster_rcnn"
# (6) 在网页上设置启动文件为 "train.py"
# (7) 在网页上设置"训练数据集"、"训练输出文件路径"、"作业日志路径"等
# (8) 创建训练作业
#
# 在 ModelArts 上使用单卡训练
# (1) 执行a或者b
# a. 在 default_config.yaml 文件中设置 "enable_modelarts=True"
# 在 default_config.yaml 文件中设置 "data_path='/cache/data'"
# 在 default_config.yaml 文件中设置 "epoch_size: 20"
# (可选)在 default_config.yaml 文件中设置 "checkpoint_url='s3://dir_to_your_pretrained/'"
# 在 default_config.yaml 文件中设置 其他参数
# b. 在网页上设置 "enable_modelarts=True"
# 在网页上设置 "data_path='/cache/data'"
# 在网页上设置 "epoch_size: 20"
# (可选)在网页上设置 "checkpoint_url='s3://dir_to_your_pretrained/'"
# 在网页上设置 其他参数
# (2) 准备模型代码
# (3) 如果选择微调您的模型，上传你的预训练模型到 S3 桶上
# (4) 执行a或者b (推荐选择 a)
# a. 第一, 将该数据集压缩为一个 ".zip" 文件。
# 第二, 上传你的压缩数据集到 S3 桶上 (你也可以上传未压缩的数据集，但那可能会很慢。)
# b. 上传原始数据集到 S3 桶上。
# (数据集转换发生在训练过程中，需要花费较多的时间。每次训练的时候都会重新进行转换。)
# (5) 在网页上设置你的代码路径为 "/path/faster_rcnn"
# (6) 在网页上设置启动文件为 "train.py"
# (7) 在网页上设置"训练数据集"、"训练输出文件路径"、"作业日志路径"等
# (8) 创建训练作业
#
# 在 ModelArts 上使用单卡验证
# (1) 执行a或者b
# a. 在 default_config.yaml 文件中设置 "enable_modelarts=True"
# 在 default_config.yaml 文件中设置 "checkpoint_url='s3://dir_to_your_trained_model/'"
# 在 default_config.yaml 文件中设置 "checkpoint='./faster_rcnn/faster_rcnn_trained.ckpt'"
# 在 default_config.yaml 文件中设置 "data_path='/cache/data'"
# 在 default_config.yaml 文件中设置 其他参数
# b. 在网页上设置 "enable_modelarts=True"
# 在网页上设置 "checkpoint_url='s3://dir_to_your_trained_model/'"
# 在网页上设置 "checkpoint='./faster_rcnn/faster_rcnn_trained.ckpt'"
# 在网页上设置 "data_path='/cache/data'"
# 在网页上设置 其他参数
# (2) 准备模型代码
# (3) 上传你训练好的模型到 S3 桶上
# (4) 执行a或者b (推荐选择 a)
# a. 第一, 将该数据集压缩为一个 ".zip" 文件。
# 第二, 上传你的压缩数据集到 S3 桶上 (你也可以上传未压缩的数据集，但那可能会很慢。)
# b. 上传原始数据集到 S3 桶上。
# (数据集转换发生在训练过程中，需要花费较多的时间。每次训练的时候都会重新进行转换。)
# (5) 在网页上设置你的代码路径为 "/path/faster_rcnn"
# (6) 在网页上设置启动文件为 "train.py"
# (7) 在网页上设置"训练数据集"、"训练输出文件路径"、"作业日志路径"等
# (8) 创建训练作业
在 ModelArts 进行导出 (如果你想在modelarts上运行，可以参考以下文档 modelarts)
使用voc val数据集评估多尺度和翻转s8。评估步骤如下：
# (1) 执行 a 或者 b.
# a. 在 base_config.yaml 文件中设置 "enable_modelarts=True"
# 在 base_config.yaml 文件中设置 "file_name='faster_rcnn'"
# 在 base_config.yaml 文件中设置 "file_format='MINDIR'"
# 在 base_config.yaml 文件中设置 "checkpoint_url='/The path of checkpoint in S3/'"
# 在 base_config.yaml 文件中设置 "ckpt_file='/cache/checkpoint_path/model.ckpt'"
# 在 base_config.yaml 文件中设置 其他参数
# b. 在网页上设置 "enable_modelarts=True"
# 在网页上设置 "file_name='faster_rcnn'"
# 在网页上设置 "file_format='MINDIR'"
# 在网页上设置 "checkpoint_url='/The path of checkpoint in S3/'"
# 在网页上设置 "ckpt_file='/cache/checkpoint_path/model.ckpt'"
# 在网页上设置 其他参数
# (2) 上传你的预训练模型到 S3 桶上
# (3) 在网页上设置你的代码路径为 "/path/faster_rcnn"
# (4) 在网页上设置启动文件为 "export.py"
# (5) 在网页上设置"训练数据集"、"训练输出文件路径"、"作业日志路径"等
# (6) 创建训练作业
.
└─faster_rcnn
├─README.md // Faster R-CNN相关说明
├─ascend310_infer // 实现310推理源代码
├─scripts
├─run_standalone_train_ascend.sh // Ascend单机shell脚本
├─run_standalone_train_gpu.sh // GPU单机shell脚本
├─run_distribute_train_ascend.sh // Ascend分布式shell脚本
├─run_distribute_train_gpu.sh // GPU分布式shell脚本
├─run_infer_310.sh // Ascend推理shell脚本
└─run_eval_ascend.sh // Ascend评估shell脚本
└─run_eval_gpu.sh // GPU评估shell脚本
├─src
├─FasterRcnn
├─__init__.py // init文件
├─anchor_generator.py // 锚点生成器
├─bbox_assign_sample.py // 第一阶段采样器
├─bbox_assign_sample_stage2.py // 第二阶段采样器
├─faster_rcnn.py // Faster R-CNN网络
├─fpn_neck.py // 特征金字塔网络
├─proposal_generator.py // 候选生成器
├─rcnn.py // R-CNN网络
├─resnet.py // 骨干网络
├─resnet50v1.py // Resnet50v1.0骨干网络
├─inceptionresnetv2.py // inception resnet v2骨干网络
├─roi_align.py // ROI对齐网络
└─rpn.py // 区域候选网络
├─dataset.py // 创建并处理数据集
├─lr_schedule.py // 学习率生成器
├─network_define.py // Faster R-CNN网络定义
├─util.py // 例行操作
└─model_utils
├─config.py // 获取.yaml配置参数
├─device_adapter.py // 获取云上id
├─local_adapter.py // 获取本地id
└─moxing_adapter.py // 云上数据准备
├─default_config.yaml // Resnet50相关配置,COCO数据集
├─fasterrcnn_facemask_config_cpu.yaml // Resnet50相关配置，FaceMaskDetection数据集
├─default_config_101.yaml // Resnet101相关配置
├─default_config_152.yaml // Resnet152相关配置
├─default_config_InceptionResnetV2.yaml // inception resnet v2相关配置
├─export.py // 导出 AIR,MINDIR模型的脚本
├─eval.py // 评估脚本
├─postprogress.py // 310推理后处理脚本
└─train.py // 训练脚本
`BACKBONE` should be in ["resnet_v1.5_50", "resnet_v1_101", "resnet_v1_152", "resnet_v1_50", "inception_resnet_v2"]
if backbone in ("resnet_v1.5_50", "resnet_v1_101", "resnet_v1_152", "inception_resnet_v2"):
from src.FasterRcnn.faster_rcnn_resnet import Faster_Rcnn_Resnet
"resnet_v1.5_50" -> "./default_config.yaml"
"resnet_v1_101" -> "./default_config_101.yaml"
"resnet_v1_152" -> "./default_config_152.yaml"
"inception_resnet_v2" -> "./default_config_InceptionResnetV2.yaml"
elif backbone == "resnet_v1_50":
from src.FasterRcnn.faster_rcnn_resnet50v1 import Faster_Rcnn_Resnet
"resnet_v1_50" -> "./default_config.yaml"
# Ascend单机训练
bash run_standalone_train_ascend.sh [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# Ascend分布式训练
bash run_distribute_train_ascend.sh [RANK_TABLE_FILE] [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [MINDRECORD_DIR](optional)
# GPU单机训练
bash run_standalone_train_gpu.sh [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# GPU分布式训练
bash run_distribute_train_gpu.sh [DEVICE_NUM] [PRETRAINED_MODEL] [BACKBONE] [COCO_ROOT] [MINDRECORD_DIR](optional)
# CPU单机训练
python train.py --config_path=[CONFIG_PATH] --pre_trained=[PRE_TRAINED] --coco_root=[FACE_DETECTION_PATH]
Notes:
# 注释掉如下代码
# load_path = args_opt.pre_trained
# if load_path != "":
# param_dict = load_checkpoint(load_path)
# for item in list(param_dict.keys()):
# if not item.startswith('backbone'):
# param_dict.pop(item)
# load_param_into_net(net, param_dict)
# 加载训练好的FasterRcnn检查点时需加载网络参数和优化器到模型，因此可以在定义优化器后添加如下代码：
lr = Tensor(dynamic_lr(config, rank_size=device_num), mstype.float32)
opt = SGD(params=net.trainable_params(), learning_rate=lr, momentum=config.momentum,
weight_decay=config.weight_decay, loss_scale=config.loss_scale)
if load_path != "":
param_dict = load_checkpoint(load_path)
for item in list(param_dict.keys()):
if item in ("global_step", "learning_rate") or "rcnn.reg_scores" in item or "rcnn.cls_scores" in item:
param_dict.pop(item)
load_param_into_net(opt, param_dict)
load_param_into_net(net, param_dict)
训练结果保存在示例路径中，文件夹名称以“train”或“train_parallel”开头。您可以在loss_rankid.log中找到检查点文件以及结果，如下所示。
# 分布式训练结果（8P）
epoch: 1 step: 7393, rpn_loss: 0.12054, rcnn_loss: 0.40601, rpn_cls_loss: 0.04025, rpn_reg_loss: 0.08032, rcnn_cls_loss: 0.25854, rcnn_reg_loss: 0.14746, total_loss: 0.52655
epoch: 2 step: 7393, rpn_loss: 0.06561, rcnn_loss: 0.50293, rpn_cls_loss: 0.02587, rpn_reg_loss: 0.03967, rcnn_cls_loss: 0.35669, rcnn_reg_loss: 0.14624, total_loss: 0.56854
epoch: 3 step: 7393, rpn_loss: 0.06940, rcnn_loss: 0.49658, rpn_cls_loss: 0.03769, rpn_reg_loss: 0.03165, rcnn_cls_loss: 0.36353, rcnn_reg_loss: 0.13318, total_loss: 0.56598
...
epoch: 10 step: 7393, rpn_loss: 0.03555, rcnn_loss: 0.32666, rpn_cls_loss: 0.00697, rpn_reg_loss: 0.02859, rcnn_cls_loss: 0.16125, rcnn_reg_loss: 0.16541, total_loss: 0.36221
epoch: 11 step: 7393, rpn_loss: 0.19849, rcnn_loss: 0.47827, rpn_cls_loss: 0.11639, rpn_reg_loss: 0.08209, rcnn_cls_loss: 0.29712, rcnn_reg_loss: 0.18115, total_loss: 0.67676
epoch: 12 step: 7393, rpn_loss: 0.00691, rcnn_loss: 0.10168, rpn_cls_loss: 0.00529, rpn_reg_loss: 0.00162, rcnn_cls_loss: 0.05426, rcnn_reg_loss: 0.04745, total_loss: 0.10859
# Ascend评估
bash run_eval_ascend.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# GPU评估
bash run_eval_gpu.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH] [BACKBONE] [COCO_ROOT] [DEVICE_ID] [MINDRECORD_DIR](optional)
# CPU评估
python eval.py --anno_path=[ANN_FILE] --checkpoint_path=[CHECKPOINT_PATH] --coco_root=[FACE_DETECTION_PATH] --config_path=[CONFIG_PATH]
在训练过程中生成检查点。
数据集中图片的数量要和VALIDATION_JSON_FILE文件中标记数量一致，否则精度结果展示格式可能出现异常。
评估结果将保存在示例路径中，文件夹名为“eval”。在此文件夹下，您可以在日志中找到类似以下的结果。
COCO2017数据集结果
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.360
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.586
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.385
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.229
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.402
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.441
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.299
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.487
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 ] = 0.346
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.562
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.631
FaceMaskDetction结果
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.595
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.906
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.722
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.564
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.618
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.827
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.252
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.599
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.647
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.616
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.672
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.857
python export.py --config_path [CONFIG_PATH] --ckpt_file [CKPT_PATH] --device_target [DEVICE_TARGET] --file_format[EXPORT_FORMAT] --backbone [BACKBONE]
EXPORT_FORMAT 可选 ["AIR", "MINDIR"]
BACKBONE 可选 ["resnet_v1.5_50", "resnet_v1_101", "resnet_v1_152", "resnet_v1_50", "inception_resnet_v2"]
推理前需参照 MindSpore C++推理部署指南 进行环境变量设置。
在推理之前需要在昇腾910环境上完成模型的导出。以下示例仅支持batch_size=1的mindir推理。
bash run_infer_cpp.sh [MINDIR_PATH] [DATA_PATH] [ANNO_PATH] [DEVICE_TYPE] [IMAGE_WIDTH](optional) [IMAGE_HEIGHT](optional) [KEEP_RATIO](optional) [DEVICE_ID](optional)
IMAGE_WIDTH 可选，默认值为1024。IMAGE_HEIGHT 可选，默认值为768。KEEP_RATIO 可选，默认值为true。DEVICE_ID 可选，默认值为0。推理的结果保存在当前目录下，在acc.log日志文件中可以找到类似以下的结果。
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.349
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.570
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.369
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.211
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.391
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.435
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.295
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.476
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.503
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.330
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.547
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.622
| 参数 | Ascend | GPU | CPU |
|---|---|---|---|
| 模型版本 | V1 | V1 | V1 |
| 资源 | Ascend 910；CPU 2.60GHz，192核；内存：755G | V100-PCIE 32G | V100-PCIE 32G |
| 上传日期 | 2020/8/31 | 2021/2/10 | 2022/8/10 |
| MindSpore版本 | 1.0.0 | 1.2.0 | 1.7.0 |
| 数据集 | COCO 2017 | COCO 2017 | FaceMaskDetection |
| 训练参数 | epoch=12, batch_size=2 | epoch=12, batch_size=2 | epoch=20,batch_size=2 |
| 优化器 | SGD | SGD | SGD |
| 损失函数 | Softmax交叉熵，Sigmoid交叉熵，SmoothL1Loss | Softmax交叉熵，Sigmoid交叉熵，SmoothL1Loss | Softmax交叉熵，Sigmoid交叉熵，SmoothL1Loss |
| 速度 | 1卡：190毫秒/步；8卡：200毫秒/步 | 1卡：320毫秒/步；8卡：335毫秒/步 | 1卡：7328毫秒/步 |
| 总时间 | 1卡：37.17小时；8卡：4.89小时 | 1卡：63.09小时；8卡：8.25小时 | 1卡：13.88小时 |
| 参数(M) | 250 | 250 | 495 |
| 脚本 | Faster R-CNN脚本 | Faster R-CNN脚本 | Faster R-CNN脚本 |
| 参数 | Ascend | GPU | CPU |
|---|---|---|---|
| 模型版本 | V1 | V1 | V1 |
| 资源 | Ascend 910 | V100-PCIE 32G | V100-PCIE 32G |
| 上传日期 | 2020/8/31 | 2021/2/10 | 2022/8/10 |
| MindSpore版本 | 1.0.0 | 1.2.0 | 1.7.0 |
| 数据集 | COCO2017 | COCO2017 | FaceMaskDetection |
| batch_size | 2 | 2 | 2 |
| 输出 | mAP | mAP | mAP |
| 准确率 | IoU=0.50：58.6% | IoU=0.50：59.1% | IoU=0.5: 90.6% |
| 推理模型 | 250M（.ckpt文件） | 250M（.ckpt文件） | 495M（.ckpt文件） |
请浏览官网主页。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。
马建仓 AI 助手