Detectron2 基准测试 | 十二

Posted panchuangai

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Detectron2 基准测试 | 十二相关的知识，希望对你有一定的参考价值。

作者|facebookresearch
编译|Flin
来源|Github

基准测试

在这里,我们以一些其他流行的开源Mask R-CNN实现为基准,对Detectron2中Mask R-CNN的训练速度进行了基准测试。

设置

主要结果

工具吞吐率(img / s)
Detectron259
maskrcnn-benchmark51
tensorpack 50
mmdetection41
simpledet39
Detectron19
matterport/Mask_RCNN14
每个实现的链接:

每个实现的详细信息：

  • Detectron2:

    python tools/train_net.py  --config-file configs/Detectron1-Comparisons/mask_rcnn_R_50_FPN_noaug_1x.yaml --num-gpus 8

  • maskrcnn-benchmark: 通过sed -i ‘s/torch.uint8/torch.bool/g’ **/*.py使用commit 0ce8f6f与使其与最新的PyTorch兼容。然后,运行

    python -m torch.distributed.launch --nproc_per_node=8 tools/train_net.py --config-file configs/e2e_mask_rcnn_R_50_FPN_1x.yaml

    我们观察到的速度比其model zoo快,这可能是由于软件版本不同所致。

  • tensorpack: 在提交caafda,export TF_CUDNN_USE_AUTOTUNE=0, 然后运行

    mpirun -np 8 ./train.py --config DATA.BASEDIR=/data/coco TRAINER=horovod BACKBONE.STRIDE_1X1=True TRAIN.STEPS_PER_EPOCH=50 --load ImageNet-R50-AlignPadding.npz

  • mmdetection: commit 4d9a5f,应用以下diff,然后运行

    ./tools/dist_train.sh configs/mask_rcnn_r50_fpn_1x.py 8

    我们观察到的速度比其model zoo快,这可能是由于软件版本不同所致。

    (diff使其使用相同的超参数-单击展开) 
    diff --git i/configs/mask_rcnn_r50_fpn_1x.py w/configs/mask_rcnn_r50_fpn_1x.py
index 04f6d22..ed721f2 100644
--- i/configs/mask_rcnn_r50_fpn_1x.py
+++ w/configs/mask_rcnn_r50_fpn_1x.py
@@ -1,14 +1,15 @@
# model settings
model = dict(
  type=‘MaskRCNN‘,
-    pretrained=‘torchvision://resnet50‘,
+    pretrained=‘open-mmlab://resnet50_caffe‘,
  backbone=dict(
    type=‘ResNet‘,
    depth=50,
    num_stages=4,
    out_indices=(0, 1, 2, 3),
    frozen_stages=1,
-        style=‘pytorch‘),
+        norm_cfg=dict(type="BN", requires_grad=False),
+        style=‘caffe‘),
  neck=dict(
    type=‘FPN‘,
    in_channels=[256, 512, 1024, 2048],
@@ -115,7 +116,7 @@ test_cfg = dict(
dataset_type = ‘CocoDataset‘
data_root = ‘data/coco/‘
img_norm_cfg = dict(
-    mean=[123.675, 116.28, 103.53], std=[58.395, 57.12, 57.375], to_rgb=True)
+    mean=[123.675, 116.28, 103.53], std=[1.0, 1.0, 1.0], to_rgb=False)
train_pipeline = [
  dict(type=‘LoadImageFromFile‘),
  dict(type=‘LoadAnnotations‘, with_bbox=True, with_mask=True),

  • SimpleDet: 在commit9187a1时运行

    python detection_train.py --config config/mask_r50v1_fpn_1x.py

  • Detectron: 运行

    python tools/train_net.py --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-50-FPN_1x.yaml

    请注意,它的许多操作都在CPU上运行,因此性能受到限制。

  • matterport/Mask_RCNN:在commit时3deaec,应用以下diff ,export TF_CUDNN_USE_AUTOTUNE=0, 然后运行

    python coco.py train --dataset=/data/coco/ --model=imagenet

请注意,此实现中的许多小细节可能与Detectron的标准不同。

(diff使其使用相同的超参数-单击展开) 
diff --git i/mrcnn/model.py w/mrcnn/model.py
index 62cb2b0..61d7779 100644
--- i/mrcnn/model.py
+++ w/mrcnn/model.py
@@ -2367,8 +2367,8 @@ class MaskRCNN():
      epochs=epochs,
      steps_per_epoch=self.config.STEPS_PER_EPOCH,
      callbacks=callbacks,
-            validation_data=val_generator,
-            validation_steps=self.config.VALIDATION_STEPS,
+            #validation_data=val_generator,
+            #validation_steps=self.config.VALIDATION_STEPS,
      max_queue_size=100,
      workers=workers,
      use_multiprocessing=True,
diff --git i/mrcnn/parallel_model.py w/mrcnn/parallel_model.py
index d2bf53b..060172a 100644
--- i/mrcnn/parallel_model.py
+++ w/mrcnn/parallel_model.py
@@ -32,6 +32,7 @@ class ParallelModel(KM.Model):
    keras_model: The Keras model to parallelize
    gpu_count: Number of GPUs. Must be > 1
    """
+        super().__init__()
    self.inner_model = keras_model
    self.gpu_count = gpu_count
    merged_outputs = self.make_parallel()
diff --git i/samples/coco/coco.py w/samples/coco/coco.py
index 5d172b5..239ed75 100644
--- i/samples/coco/coco.py
+++ w/samples/coco/coco.py
@@ -81,7 +81,10 @@ class CocoConfig(Config):
  IMAGES_PER_GPU = 2

  # Uncomment to train on 8 GPUs (default is 1)
-    # GPU_COUNT = 8
+    GPU_COUNT = 8
+    BACKBONE = "resnet50"
+    STEPS_PER_EPOCH = 50
+    TRAIN_ROIS_PER_IMAGE = 512

  # Number of classes (including background)
  NUM_CLASSES = 1 + 80  # COCO has 80 classes
@@ -496,29 +499,10 @@ if __name__ == ‘__main__‘:
    # *** This training schedule is an example. Update to your needs ***

    # Training - Stage 1
-        print("Training network heads")
    model.train(dataset_train, dataset_val,
          learning_rate=config.LEARNING_RATE,
          epochs=40,
-                    layers=‘heads‘,
-                    augmentation=augmentation)
-
-        # Training - Stage 2
-        # Finetune layers from ResNet stage 4 and up
-        print("Fine tune Resnet stage 4 and up")
-        model.train(dataset_train, dataset_val,
-                    learning_rate=config.LEARNING_RATE,
-                    epochs=120,
-                    layers=‘4+‘,
-                    augmentation=augmentation)
-
-        # Training - Stage 3
-        # Fine tune all layers
-        print("Fine tune all layers")
-        model.train(dataset_train, dataset_val,
-                    learning_rate=config.LEARNING_RATE / 10,
-                    epochs=160,
-                    layers=‘all‘,
+                    layers=‘3+‘,
          augmentation=augmentation)

  elif args.command == "evaluate":

原文链接：https://detectron2.readthedocs.io/notes/benchmarks.html

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/







以上是关于Detectron2 基准测试 | 十二的主要内容，如果未能解决你的问题，请参考以下文章

detectron2报AttributeError: Attribute ‘evaluator_type‘ does not exist in the metadata of dataset(代码片段

如何使用 Detectron2 的 tensorboard 获得测试准确性？

你的 AI 算法模型安全吗？来 AI 安全测试基准平台测试下

安装fvcore库

性能测试 —— Dubbo 基准测试

英特尔12代酷睿架构,十二代酷睿架构