Facebook開源Mask R-CNN的PyTorch 1.0基準，比mmdetection更快、更省內存

選自GitHub

機器之心編輯

參與：劉曉坤

近日，Facebook AI Research 開源了 Faster R-CNN 和 Mask R-CNN 的PyTorch 1.0實現基準：MaskRCNN-Benchmark。相比 Detectron 和 mmdetection，MaskRCNN-Benchmark 的性能相當，並擁有更快的訓練速度和更低的 GPU 內存佔用。

項目地址：https://github.com/facebookresearch/maskrcnn-benchmark

MaskRCNN-Benchmark 目標檢測示例。

Detectron 和 mmdetection

mmdetection 第一個版本中實現了 RPN、Fast R-CNN、Faster R-CNN、Mask R-CNN，近期還計劃放出 RetinaNet 和 Cascade R-CNN。但更重要的是，基於 PyTorch 和基於 Caffe2 的 code 相比，易用性是有代差的。成功安裝 Detectron 的時間，大概可以裝好一打的 mmdetection。

MaskRCNN-Benchmark 項目亮點：

PyTorch 1.0：相當或者超越 Detectron 準確率的 RPN、Faster R-CNN、Mask R-CNN 實現；

非常快：訓練速度是 Detectron 的兩倍，是 mmdection 的 1.3 倍。

節省內存：在訓練過程中使用的 GPU 內存比 mmdetection 少大約 500MB；

使用多 GPU 訓練和推理；

批量化推理：可以在每 GPU 每批量上使用多張圖像進行推理；

支持 CPU 推理：可以在推理時間內於 CPU 上運行。

提供幾乎所有參考 Mask R-CNN 和 Faster R-CNN 配置的預訓練模型，具有 1x 的 schedule。

MaskRCNN-Benchmark Model Zoo 基線模型性能數據

地址：https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/MODEL_ZOO.md

硬體

8 NVIDIA V100 GPUs

軟體：

PyTorch version: 1.0.0a0+dd2c487

CUDA 9.2

CUDNN 7.1

NCCL 2.2.13-1

端到端 Mask R-CNN 和 Faster R-CNN 基線模型

所有的基線模型都使用了和 Detectron 相同的實驗設置，檢測模型權重使用 Caffe2 中的 ImageNet 權重初始化，這和 Detectron 是一樣的。預訓練模型通過下表中的 model id 鏈接獲取。

和 Detectron、mmdetection 的性能對比

訓練速度

下表中的數據單位是秒/迭代，越低越好。（mmdetection 中備註的硬體和 maskrcnn_benchmark 是不同的）

訓練內存（越低越好）

推理準確率（越高越好）

Webcam 和 Jupyter notebook demo

該項目提供了一個簡單的 webcam demo，展示如何使用 maskrcnn_benchmark 進行推理：

安裝

教程地址：https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/INSTALL.md

安裝要求：

PyTorch 1.0 的每日測試版本，安裝說明：https://pytorch.org/get-started/locally/

torchvision

cocoapi

yacs

（可選）OpenCV（用於 webcam demo）

通過幾行代碼進行推理

該項目提供了一個 helper 類來簡化編寫使用預訓練模型進行推理的流程，只要在 demo 文件夾下運行以下代碼：

在 COCO 數據集上執行訓練

為了運行以下示例，你首先需要安裝 maskrcnn_benchmark。你還需要下載 COCO 數據集，推薦按以下方式符號鏈接 COCO 數據集的路徑到 datasets/。我們使用來自 Detectron 的 GitHub 的 minival 和 valminusminival 集合。

你也可以配置你自己的到數據集的路徑。為此，你需要讓 maskrcnn_benchmark/config/paths_catalog.py 指向你的數據集保存的位置。你也可以創建一個新的 paths_catalog.py 文件，其實現了相同的兩個類，並在訓練過程中將它作為一個配置參數 PATHS_CATALOG 傳遞。

單 GPU 訓練

多 GPU 訓練

添加你自己的數據集

該項目添加了對 COCO 類型數據集的支持，為在新數據集上訓練添加支持可以通過以下方法實現：

就這樣。你可以添加額外的欄位到 boxlist，例如 segmentation masks（使用 structures.segmentation_mask.SegmentationMask），或甚至是你自己的實例類型。如果想了解 COCO 數據集實現的完整過程，可以查看：https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/maskrcnn_benchmark/data/datasets/coco.py

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！