基于 Caffe2.
Detectron 项目:
基于的 Backbone 网络结构:
Mask RCNN 输出.
From Detectron README.md.
Detectron 现还未给出 CPU 实现,需要基于 GPU 环境.
Requirements:
参考 Caffe2 - (一)Source 安装及问题解决 和 Caffe2 官方 Install Instructions.
由于 Detectron 需要 Caffe2 包含 Detectron module,查看是否有该模块,没有的话更新 Caffe2 版本.
将 Caffe2 的 Python package 路径添加到 PYTHONPATH
环境变量,并确保 Caffe2 安装成功:
# To check if Caffe2 build was successful
python2 -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
# To check if Caffe2 GPU build was successful
# This must print a number > 0 in order to use Detectron
python2 -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'
Python 依赖项:
pip install numpy pyyaml matplotlib opencv-python>=3.0 setuptools Cython mock
COCO API 安装:
# COCOAPI=/path/to/clone/cocoapi
git clone https://github.com/cocodataset/cocoapi.git $COCOAPI
cd $COCOAPI/PythonAPI
# Install into global site-packages
make install
# Alternatively, if you do not have permissions or prefer
# not to install the COCO API into global site-packages
python2 setup.py install --user
SpatialNarrowAsOp test
:
python2 $DETECTRON/tests/test_spatial_narrow_as_op.py安装完成后,即可用提供的模型进行推理测试.
Detectron 通过软链接将 COCO 数据集的 images 和 annotations 链接到路径 lib/datasets/data
,如:
ln -s /path/to/coco $DETECTRON/lib/datasets/data/coco
更多关于 COCO 数据集和其它数据集软链接创建方法参考:lib/datasets/data/README.md
.
完成以后,即可进行模型训练.
首先阅读 FAQ.md
中关于定制 operators 的部分.
方便起见,Detectron 提供 CMake 支持以编译定制的 operators. 所有的定制 operators 可以被编译成单个库,以便于 从 Python 动态的加载.
将定制的 operator 实现放在路径 lib/ops/
.
参考示例 tests/test_zero_even_op.py
,关于如何从 Python 中加载定制的 operators.
BatchPermutationOp test
:
nvidia-docker run --rm -it detectron:c2-cuda8-cudnn6 python2 tests/test_batch_permutation_op.pyprofiling
为 Caffe2 提供了有用的 operators benchmarking 和 debugging 工具,示例可参考 BatchPermutationOp test
.
Profiling 不是默认编译的,可以在运行 Caffe2 CMake 时设置 -DUSE_PROF=ON
以开启.
编译 Caffe2 时如果找不到 CUDA 和 cuDNN 路径,可以在编译时指定 CMake 的 CUDA 和 cuDNN 路径:
cmake .. \
# insert your Caffe2 CMake flags here
-DCUDA_TOOLKIT_ROOT_DIR=/path/to/cuda/toolkit/dir \
-DCUDNN_ROOT_DIR=/path/to/cudnn/root/dir
类似地,编译定制的 Detectron operators 时可以运行:
cd $DETECTRON/lib
mkdir -p build && cd build
cmake .. \
-DCUDA_TOOLKIT_ROOT_DIR=/path/to/cuda/toolkit/dir \
-DCUDNN_ROOT_DIR=/path/to/cudnn/root/dir
make
可以采用相同的方式,处理机器上同时有多个 CUDA 和 cuDNN 版本时的情况.
Caffe2 使用 protobuf 作为序列化格式,并需要其版本高于 3.2.0
.
如果 protobuf 版本较低,可以从 Caffe2 的 protobuf 子模块编译 protobuf,来代替旧版本.
如果在编译 Caffe2 Python binaries时,不能找到需要的 Python 路径,如 virtualenv 环境,可以指定 Caffe2 CMake 到 python library 库路径和 include 路径:
cmake .. \
# insert your Caffe2 CMake flags here
-DPYTHON_LIBRARY=$(python2 -c "from distutils import sysconfig; print(sysconfig.get_python_lib())") \
-DPYTHON_INCLUDE_DIR=$(python2 -c "from distutils import sysconfig; print(sysconfig.get_python_inc())")
Detectron 不需要 Caffe2 的 NNPACK 支持.
如果编译时遇到 NNPACK 相关的问题,可以关闭 NNPACK,设置 CMake -DUSE_NNPACK=OFF
.
Detectron 也不需要 Caffe2 的 OpenCV 的支持,也可以关闭,设置 CMake -DUSE_OPENCV=OFF
.
如果遇到由于 undefined symbol 原因,出现的 COCO API import error,类似与 cocoapi - Import error,则需要确定 Python 版本是够混淆,如 both system and conda numpy installed 则会导致该问题.
如果在编译定制的 operators 时,CMake 出现不能找到 Caffe2 package 的问题,则需要确定在 Caffe2 安装时运行了 make install
.