淘先锋技术网

首页 1 2 3 4 5 6 7

Caffe2：Detectron的安装

转载：http://blog.csdn.net/oJiMoDeYe12345/article/details/79142978

Detectron 初步使用

Detectron 安装.

Detectron 提供了基于 COCO Dataset 的推断和训练使用说明 - Using Detectron.

1. Detectron Model ZOO 和 Baselines

Detectron 截止到 2017.12 提供了很多 baselines 模型，并记为 12_2017_baselines.

Baselines 的配置文件在路径 configs/12_2017_baselines中，并提供了对应的模型和结果. 如Table表.

1.1 Settings 和 Notes

  • Baselines 是在 Big Basin 服务器上得到的，其共 8 张 Tesla P100 GPUs (16GB GPU memory, CUDA 8.0, and cuDNN 6.0.21).
  • Baselines 是采用 8 块 GPUs 数据并行 SGD 训练的(data parallel sync SGD)，minibatch 为 8 或 16 张图片(参见 表中的 im/gpu).
  • 训练时，只进行了水平翻转数据增广.
  • 推断时，没有数据增广，如 multiple scales, flipping 等处理.
  • 模型都是在 coco_2014_train 和 coco_2014_valminusminival 上进行训练的，其与最新的 coco_2017_val数据集基本一致.
  • 推断时间一般表示为 X+YX+Y， XX 表示在 well-optimized GPU 上的耗时，YY 是在 unoptimized CPU 上的耗时( CPU 耗时可以根据工程实际进一步优化).
  • 推断结果，如 boxes、masks 和 keypoints(kps) 是保存为 COCO json format 的.
  • mode id 项是为了便于参考.
  • 检验下载文件完整性：添加.md5sum 到相应的 URL 接可以下载文件的 md5 hash 值.
  • 模型和结果都是基于 COCO Dataset.
  • 基于 Cityscapes dataset 即将发布.

1.2 训练方案

Detectron 提供了三种训练方案，参见表中的 lr schd 项.

  • 1x - minibatch 为 16, 该方案的初始 LR=0.002，并在 60K 和 80K 次迭代后衰减 *0.1，在 90K 次迭代终止.

    该方案在 coco_2014_train union coco_2014_valminusminival (或，coco_2017_train) 数据集上的 118287张图片上训练了 12.17 个 epochs.

  • 2x - 1x 方案的两倍，LR 相应的进行比例缩放.

  • s1x - stretched 1x，该方案是将方案 1x 大约拉伸了 1.44x，并延长了第一个学习率的持续时间.

    minibatch 为 16 时，该方案将 LR 在 100K 和 120K 次迭代后衰减 *0.1，在 130K 次迭代终止.

所有的训练方案都使用了 500 次线性学习率的学习率，进行热身.

当 minibatch 在 8 到 16 张图片之间时，根据论文 Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour 的策略进行基础学习率 base learning rate 和 SGD 迭代次数的调整.

1.3 ImageNet Pretrained Models

Detectron 采用了在 ImageNet-1k 数据集上训练的 Backbone 模型.

  • R-50.pkl: converted copy of MSRA’s original ResNet-50 model
  • R-101.pkl: converted copy of MSRA’s original ResNet-101 model
  • X-101-64x4d.pkl: converted copy of FB’s original ResNeXt-101-64x4d model trained with Torch7
  • X-101-32x8d.pkl: ResNeXt-101-32x8d model trained with Caffe2 at FB
  • X-152-32x8d-IN5k.pkl: ResNeXt-152-32x8d model trained on ImageNet-5k with Caffe2 at FB (see our ResNeXt paperfor details on ImageNet-5k)

1.4 Proposal, Box, and Mask Detection Baselines

参见 Proposal, Box, and Mask Detection Baselines.

1. 基于预训练模型进行推断

１.1 直接处理图片文件 Image

假设图片文件保存路径为 demo/*.jpg，运行 infer_simple.py 即可进行测试.

infer_simple.py是采用 end-to-end 训练得到的 Mask RCNN 模型，ResNet-101-FPN Backbone：

python2 tools/infer_simple.py \
    --cfg configs/baselines/e2e_mask_rcnn_R--FPN_2x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts https://s3-us-west-2.amazonaws.com/detectron/35861858/baselines/e2e_mask_rcnn_R--FPN_2x.yaml..SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    demo

Detectron 根据 --wts 参数指定的 URL 自动下载模型.

Detectron 根据 --output-dir参数指定的路径，输出检测的可视化结果，PDF 格式.

如：

Mask RCNN 输出示例.

注：

当对 high-resolution 图片进行推断时，Mask RCNN 可能比较慢，因为很多时间被花费在将预测 masks 上采样到原始图片分辨率上(Detectron 还未进行优化).

解决方案是，先将高分辨率图片 resize，确保其最短边在 600-800px；再对 resized 图片进行推断.

1.2 COCO Dataset

采用单块 GPU 运行 end-to-end 训练的 Mask RCNN 模型.

对 coco_2014_minival 的所有图片进行推断：

python2 tools/test_net.py \
    --cfg configs/_2017_baselines/e2e_mask_rcnn_R--FPN_2x.yaml \
    TEST.WEIGHTS https://s3-us-west-amazonaws.com/detectron//_2017_baselines/e2e_mask_rcnn_R--FPN_2x.yaml_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    NUM_GPUS

采用多块 GPUs 时，如 N=8，

python2 tools/test_net.py \
    --cfg configs/_2017_baselines/e2e_mask_rcnn_R--FPN_2x.yaml \
    --multi-gpu-testing \
    TEST.WEIGHTS https://s3-us-west-amazonaws.com/detectron//_2017_baselines/e2e_mask_rcnn_R--FPN_2x.yaml_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    NUM_GPUS $N

在 NVIDIA Tesla P100 GPU 上，单张图片的推断时间大概是 130-140ms.

2. Detectron 训练

简单介绍在 COCO Dataset 上训练模型.

采用 ResNet-50-FPN Backbone 进行 end-to-end 的 Faster R-CNN 训练.

这里简单进行模型训练，小尺寸的输入图片，能够使训练和推断的速度相对较快.

2.1 单 GPU 训练

python2 tools/train_net.py \
    --cfg configs/getting_started/tutorial_1gpu_e2e_faster_rcnn_R--FPN.yaml \
    OUTPUT_DIR /tmp/detectron-output
  • 输出保存路径 /tmp/detectron-output，如 models, validation set detections 等.
  • Maxwell GPU，如 M40 上，训练耗时大约 4.2 个小时.
  • M40 上，每张图片的推断时间大约是 80 ms.
  • coco_2014_minival上的 Box AP 大约是 22.1%.

2.2 Multi-GPU 训练

Detectron 提供了基于2、4、8 张 GPUS 训练的 configs 参数配置文件.

如 configs/getting_started/tutorial_{2,4,8}gpu_e2e_faster_rcnn_R-50-FPN.yaml.

如，2 张 GPUs 的训练：

python2 tools/train_net.py \
    --multi-gpu-testing \
    --cfg configs/getting_started/tutorial_2gpu_e2e_faster_rcnn_R--FPN.yaml \
    OUTPUT_DIR /tmp/detectron-output

--multi-gpu-testing是告诉 Detectron 在训练结束后，采用 multiple GPUs (如 NUM_GPUs 为 2) 进行并行化推断.

期望的结果：

  • 训练在 2 张 M40 上大概耗时 2.3 个小时.
  • 推断时间大约是 80 ms，在 2 张 GPUs 上并行推断时，耗时减半.
  • coco_2014_minival上的 Box AP 大约是 22.1%.

关于学习方案的调整(“linear scaling rule”)，可以参考提供的 config 文件，阅读论文 Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour.

除了这里，其它的 configs 都是基于 8 GPUs.

如果训练的 GPUs 少于 8，或者想尝试改变 minibatch size，有必要理解如何根据 linear scaling rule 来调整训练方案.

注：

这里的训练示例采用了相对低的 GPU-compute 模型，因此，Caffe2 Python op 的开销相对较高. 导致将 GPUs 由 2 增加到 8 时，开销并不成比例减少，如采用 8 GPUs，需要训练 0.9 小时，只比单张 GPU 快了 4.5x 倍.

当采用相对高的 GPU-compute 模型时，multi-GPUs 开销的减少比例会提高.