• FCOS描述
• • 概述
  • 论文
• 模型架构
• 数据集
• 环境要求
• 快速入门
• 分布式训练
• 单机训练
• 运行评估示例
• 脚本说明
• • 脚本及样例代码
• 脚本参数
• 训练过程
• • 运行流程
  • 用法
  • Ascend处理器环境运行
  • 分布式训练
  • 单机训练
  • 分布式训练结果（8P）
• 评估过程
• • 用法
  • • Ascend处理器环境运行
  • 评估
  • 评估示例
  • 结果
• 推理过程
• • 在Ascend310执行推理
  • 结果
• 模型描述
• • 性能
  • • 评估性能
    • • COCO2017上的FCOS
• 随机情况说明
• ModelZoo主页

FCOS描述

概述

FCOS模型发表于ICCV2019，论文全名为FCOS: Fully Convolutional One-Stage Object Detection。其模型没有anchor box，通过在卷积阶段加入FPN、在计算损失阶段加入centerness这一分支，实现了更高的检测精度；通过调整模型的backbone，可以达到44.7%的AP。

如下为MindSpore使用COCO2017数据集对FCOS进行训练的示例。

论文

​ Zhi Tian, Chunhua Shen, Hao Chen, Tong He.FCOS: Fully Convolutional One-Stage Object Detection.论文地址参见

模型架构

FCOS的网络架构参见原论文图2。

backbone在本实现中采用了ResNet50+FPN，可以使用更为精密的ResNeXt-64x4d-101-FPN来达到论文中提到的44.7AP。

数据集

使用的数据集：COCO2017

• 全部下载好后，文件结构为：

└── COCO2017
    ├── test2017                  # COCO2017的测试集，共有40,670张图片
    ├── train2017                 # COCO2017的训练集，共有118,287张图片
    ├── val2017                   # COCO2017的验证集，共有5,000张图片
    ├── captions_train2017.json
    ├── captions_val2017.json
    ├── image_info_test2017.json
    ├── image_indo_test-dev2017.json
    ├── instances_train2017.json
    ├── instances_val2017.json
    ├── person_keypoints_train2017.json
    ├── person_keypoints_val2017.json

• 完成下载后可尝试使用dataset/COCO_dataset.py查看是否下载并读取正确。

环境要求

• 硬件
  • 准备Ascend处理器搭建硬件环境。
• 框架
  • MindSpore，本模型编写时版本为r1.2，12.30更新由r1.5编写的版本。
• 如需查看详情，请参见如下资源：
  • MindSpore教程
  • MindSpore Python API

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

分布式训练

待完善...

单机训练

待完善...

运行评估示例

待完善...

脚本说明

脚本编写中...

脚本及样例代码

└──FCOS
    ├── README.md
    ├── checkpoint                           # 训练时的checkpoint存储 
    ├── dataset                              # 数据集处理
      ├── augment.py                         # 对数据集进行随机扩充、平移等操作
      ├── COCO_dataset.py                    # 对COCO数据集进行处理
    ├── model
      ├── backbone                           # 骨干网络
        ├── resnet.py                        # 骨干网络ResNet
      ├── config.py                          # 参数配置
      ├── eval_utils.py                      # 评估时需要用到的工具
      ├── fcos.py                            # FCOS模型网络
      ├── fpn_neck.py                        # FPN处理
      ├── head.py                            # 生成模型的head
      └── loss.py                            # 生成目标框和loss损失
    ├── test_images                          # 测试图像
    ├── analyze_fail_0.dat                   # 运行报错时提及的dat文件
    ├── coco_eval.py                         # 在coco数据集上评估网络
    └── train_coco.py                        # 训练网络

脚本参数

在config.py中可以同时配置训练参数和评估参数。

    #backbone
    pretrained=True
    freeze_stage_1=True
    freeze_bn=True

    #fpn
    fpn_out_channels=256
    use_p5=True
    
    #head
    class_num=80
    use_GN_head=True
    prior=0.01
    add_centerness=True
    cnt_on_reg=True

    #training
    strides=[8,16,32,64,128]
    limit_range=[[-1,64],[64,128],[128,256],[256,512],[512,999999]]

    #inference
    score_threshold=0.05
    nms_iou_threshold=0.6
    max_detection_boxes_num=1000

训练过程

运行流程

数据集：coco2017（仅支持解压后的coco2017）
预训练模型：resnet50
启动文件:train_coco.py
数据集路径参数设置：
1.在train_coco.py的56-57行：可以更改数据集及标签路径
2.在resnet文件的784行：可以更改预训练模型路径
3.在config文件中：可以更改ckpt保存路径
运行操作过程：
1.下载coco2017并解压后，将train_coco中的数据集及标签路径修改
2.下载resnet50的ckpt后，将resnet文件中的预训练模型路径修改
3.在train_coco中可以修改运行平台及运行模式
4.运行train_coco.py文件
（运行命令：python train_coco.py）

eval运行说明：
1.在coco_eval的224行：可以修改运行平台及运行模式
2.在coco_eval的228行：可以修改数据集及标签路径
3.在coco_eval的231行：可以修改训练好的ckpt的路径
运行操作过程：
1.得到训练好的ckpt
2.修改运行说明中的参数
3.运行coco_eval.py文件
（运行命令：python coco_eval.py）
目前运行会报错如下：（正在修改）

用法

Ascend处理器环境运行

待完成...

分布式训练

待完成...

单机训练

待完成...

分布式训练结果（8P）

待完成...

评估过程

用法

Ascend处理器环境运行

评估

待完善

评估示例

待完善

结果

待完善

推理过程

待完善

在Ascend310执行推理

待完善

结果

待完善

模型描述

性能

评估性能

COCO2017上的FCOS

参数	Ascend 910
模型版本
资源	Ascend 910；CPU 2.60GHz，192核；内存 755G；系统 Euler2.8
上传日期
MindSpore版本	1.2.0
数据集	COCO2017
训练参数
优化器	SGD
损失函数	Softmax交叉熵
输出	概率
损失
速度
总时长
参数(M)
微调检查点
脚本

随机情况说明

代码中对数据集进行了随机augmentation操作，其中含有对图片进行旋转、裁剪操作。

ModelZoo主页

待完善