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

科技 10-27

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

Detectron

是 Facebook AI Research 實現頂尖目標檢測演算法（包括 Mask R-CNN）的軟體系統。該系統是基於 Python 和深度學習框架 Caffe 2 而構建的。Detectron 目前包含以下目標檢測演算法的實現：Mask R-CNN 、RetinaNet、Faster R-CNN、RPN、Fast R-CNN、R-FCN。

mmdetection

是商湯和港中文近日聯合開源的基於 PyTorch 的開源目標檢測工具包。該工具包支持 Mask R-CNN 等多種流行的檢測框架，讀者可在 PyTorch 環境下測試不同的預訓練模型及訓練新的檢測分割模型。和 Detectron 對比，mmdetection 的性能稍高、訓練速度稍快、所需顯存稍小。

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：

cd demo# by

default

, it runs on the GPU# for
 best results, use min-image-size 800

python webcam.py --min-image-size 800
# can also run it on the CPU
python webcam.py --min-image-size 300
 MODEL.DEVICE cpu# or change the model that you want to use
python webcam.py --config-file ../configs/caffe2/e2e_mask_rcnn_R_101_FPN_1x_caffe2.py --min-image-size 300
 MODEL.DEVICE cpu# in
 order to see the probability heatmaps, pass --show-mask-heatmaps
python webcam.py --min-image-size 300
 --show-mask-heatmaps MODEL.DEVICE cpu

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）

# maskrnn_benchmark and coco api dependencies pip install ninja yacs cython # follow PyTorch installation

in

 https://pytorch.org/get-started/locally/# we give the instructions for CUDA 9.0

conda install pytorch-nightly -c pytorch
# install torchvisioncd ~/github
git clone git@github.com:pytorch/
vision.gitcd vision
python setup.py install
# install pycocotoolscd ~/github
git clone git@github.com:cocodataset/
cocoapi.gitcd cocoapi/PythonAPI
python setup.py build_ext install
# install PyTorch Detectioncd ~/github
git clone git@github.com:facebookresearch/m
askrcnn-benchmark.gitcd maskrcnn-benchmark# the following will install the lib with
# symbolic links, so that you can modify# the files if
 you want and won"t need to# re-build it
python setup.py build develop

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：

from

 maskrcnn_benchmark.config import
 cfgfrom predictor import
 COCODemo
config_file = 
"../configs/caffe2/e2e_mask_rcnn_R_50_FPN_1x_caffe2.yaml"
# update the config options with
 the config file
cfg.merge_from_file(config_file)# manual override some options
cfg.merge_from_list(["MODEL.DEVICE"
, "cpu"
])
coco_demo = COCODemo(
    cfg,
    min_image_size=
800
,
    confidence_threshold=0.7
,
)# load image and then run prediction
image = ...
predictions = coco_demo.run_on_opencv_image(image)

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。

# symlink the coco datasetcd ~

/github/m

askrcnn-benchmark
mkdir -p datasets/coco
ln -s /path_to_coco_dataset/annotations datasets/coco/annotations
ln -s /path_to_coco_dataset/train2014 datasets/coco/train2014
ln -s /path_to_coco_dataset/test2014 datasets/coco/test2014
ln -s /path_to_coco_dataset/val2014 datasets/coco/val2014

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

python /path_to_maskrnn_benchmark/tools/train_net.py --config-file

"/path/to/config/file.yaml"

多 GPU 訓練

該項目使用內部的 torch.distributed.launch 以啟動多 GPU 訓練。這個來自 PyTorch 的效用函數可以產生我們想要使用 GPU 數目的 Python 進程，並且每個 Python 進程只需要使用一個 GPU。

export

 NGPUS=8

python -m torch.distributed.launch --nproc_per_node=$NGPUS /path_to_maskrcnn_benchmark/tools/train_net.py --

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：

from

 maskrcnn_benchmark.structures.bounding_box import
 BoxList
class
 MyDataset
(object
):
    def
 __init__
(self
, ...):
        # as
 you
 would
 do
 normallydef
 __getitem__
(self
, idx
):
        # load
 the
 image
 as
 a
 PIL
 Image

        image
 
= ...# load the bounding boxes as
 a list of
 list of
 boxes# in
 this
 case
, for
 illustrative purposes, we use# x1, y1, x2, y2 order.
        boxes = [[0
, 0
, 10
, 10
], [10
, 20
, 50
, 50
]]
        # and labels
        labels = torch.tensor([10
, 20
])
        # create a BoxList 
from
 the boxes
        boxlist = Boxlist(boxes, size=image.size, mode="xyxy"
)
        # add the labels to the boxlist
        boxlist.add_field("labels"
, labels)
        
if
 self.transforms:
            image, boxlist = self.transforms(image, boxlist)
        # 
return
 the image, the boxlist and the idx in
 your datasetreturn image, boxlist, idx
    def get_img_info(self, idx):
        # get img_height and img_width. This is used 
if
# we want to split the batches according to the asp