R-FCN描述
概述
R-FCN模型发表于2016年，论文全名为R-FCN: Object Detection via Region-based Fully Convolutional Networks。通过引入Position-sensitive score maps，加速网络。

如下为MindSpore使用COCO2017数据集对R-FCN进行训练的示例。

论文
Dai, J. , Li, Y. , He, K. , & Sun, J. . (2016). R-FCN: Object Detection via Region-based Fully Convolutional Networks. Advances in Neural Information Processing Systems. Curran Associates Inc..论文地址参见

模型架构
R-FCN的网络架构参见原论文。

backbone在本实现中采用了ResNet101+RPN。

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。
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
脚本及样例代码
待完善
脚本参数
在config.py中可以同时配置训练参数和评估参数。

配置数据集
待完善
训练过程
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