• 目录
• Cascade R-CNN描述
• 数据集
• 环境要求
• 快速入门
• • 在Ascend上运行
• 脚本说明
• • 脚本及样例代码
  • 参数说明
  • 训练过程
  • • 用法
    • • 在Ascend上运行
  • 评估过程
  • • 用法
    • • 在Ascend上运行
    • 结果
• 模型描述
• • 性能
  • • 训练性能
    • 评估性能
• ModelZoo主页

目录

• 目录

• Cascade R-CNN描述

• 数据集

• 环境要求

• 快速入门

• 脚本说明

  • 脚本及样例代码
  • 训练过程
    • 用法
    • 结果
  • 评估过程
    • 用法
    • 结果

• 模型描述

  • 性能
    • 训练性能
    • 评估性能

• ModelZoo主页

Cascade R-CNN描述

Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的，与普通级联不同的是，cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的，这是该算法的一大亮点。cascade R-CNN的实验大部分是在COCO数据集做的，而且效果非常出彩。

论文： Cai Z, Vasconcelos N. Cascade r-cnn: Delving into high quality object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 6154-6162.

数据集

使用的数据集：COCO 2017

• 数据集大小：19G
  • 训练集：18G，118,000个图像
  • 验证集：1G，5000个图像
  • 标注集：241M，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。

环境要求

• 硬件（Ascend/GPU）

  • 使用Ascend处理器来搭建硬件环境。

• 下载数据集COCO 2017。

  1. 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
     

     .
     └─cocodataset
       ├─annotations
         ├─instance_train2017.json
         └─instance_val2017.json
       ├─val2017
       └─train2017
     
     

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：

注意：

1. 第一次运行生成MindRecord文件，耗时较长。
2. 预训练模型是在ImageNet2012上训练的Resnet101 检查点。

在Ascend上运行

# 单机训练
bash run_standalone_train_ascend.sh [PRETRAINED_MODEL]

# 分布式训练
bash run_distribute_train_ascend.sh [RANK_TABLE_FILE] [PRETRAINED_MODEL]

# 评估
bash run_eval_ascend.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH]

脚本说明

脚本及样例代码

.
└─Cascade R-CNN
  ├─README.md                        // Cascade R-CNN相关说明
  ├─scripts
    ├─run_standalone_train_ascend.sh // Ascend单机shell脚本
    ├─run_distribute_train_ascend.sh // Ascend分布式shell脚本
    └─run_eval_ascend.sh             // Ascend评估shell脚本
  ├─src
    ├─CascadeRCNN
      ├─__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 // 第二阶段级联一阶段采样器
      ├─bbox_assign_sample_stage2_1_1.py // 第二阶段级联二阶段采样器
      ├─bbox_assign_sample_stage2_2_1.py // 第二阶段级联三阶段采样器
      ├─cascade_rcnn_r101.py         // 以Resnet101作为backbone的Cascade 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
      ├─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              // Cascade R-CNN网络定义
    ├─util.py                        // 例行操作
    ├─config.py                      // 模型参数
  ├─export.py                        // 导出 AIR,MINDIR模型的脚本
  ├─eval.py                          // 评估脚本
  └─train.py                         // 训练脚本

参数说明

'dataset':'coco'          # 数据集名称
'pre_trained':200         # 预训练模型
'run_distribute':0        # 分布式训练
'device_target':'Ascend'  # 运行设备目标
'device_id':4             # 使用卡的编号
'device_num':1            # 设备数量
'rank_id':0               # Rank id

训练过程

用法

在Ascend上运行

# Ascend单机训练
bash run_standalone_train_ascend.sh [PRETRAINED_MODEL]

# Ascend分布式训练
bash run_distribute_train_ascend.sh [RANK_TABLE_FILE] [PRETRAINED_MODEL]

评估过程

用法

在Ascend上运行

# Ascend评估
bash run_eval_ascend.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH]

结果

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。

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.373
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.555
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.412
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.221
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.407
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.501
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.311
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.486
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.506
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.316
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.549
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.647

模型描述

性能

训练性能

参数	Ascend
模型版本	V1
资源	Ascend 910；CPU 2.60GHz，192核；内存：755G
上传日期	2021/11/02
MindSpore版本	1.3.0
数据集	COCO 2017
训练参数	epoch=40, batch_size=2
优化器	SGD
损失函数	Softmax交叉熵，Sigmoid交叉熵，SmoothL1Loss
速度	1卡：190毫秒/步；8卡：200毫秒/步
总时间	1卡：182.72小时；8卡：24.89小时
参数(M)	1013

评估性能

参数	Ascend
模型版本	V1
资源	Ascend 910
上传日期	2021/11/02
MindSpore版本	1.3.0
数据集	COCO2017
batch_size	2
输出	mAP
准确率	IoU=0.50：55.5%

ModelZoo主页

请浏览官网主页。