本算法使用COCO数据集中的train集和val集，使用train集训练，在test-dev集上测试达到了AP=49.4%。代码结构如下：

|-src # 算法源码根目录

       |-pre-trained_weights # ImageNet上的预训练参数文件

       |-trained_model # 已训练好的、可复现论文精度的模型

           |-model 

               |-config.json

               |-customize_service.py

               |-epoch_35_mAP_49.4_tsd1.pth # 训练好的模型

               |-...

       |-train.py # 算法启动文件

       |-evaluation.py # 模型评估脚本

       |-...

|-data # 数据文件夹

    | -coco

        |- train2017

        |- test2017

        |- var2017

        |- annotations

    |- weight_for_eval.pth # 用于评测的模型

本算法的其他信息如下表所示：

项目	说明
训练总epoch数	35
训练batch_size	使用8张V100训练，每张卡TRAIN_BATCH_SIZE = 2，相当于总batch_size为16
训练硬件及耗时	8*V100，约100小时
推理硬件及速度	V100，1.9s/pic

1. 准备数据集

本算法支持的数据集格式为COCO数据集。

COCO 的全称是 Common Objects in COntext，是微软团队提供的一个可以用来进行目标检测、图像分割、关键点检测、图像描述的数据集。COCO 通过在 Flickr 上搜索 80 个对象类别和各种场景类型来收集图像，其使用了亚马逊的 Mechanical Turk (AMT)。COCO数据集现在有3种标注类型：object instances, object keypoints, 和image captions，使用JSON文件存储。

1.1 下载数据集

可点此链接（备用链接：https://cocodataset.org/#download）下载，如下图所示：

下载train2017.zip, test2017.zip, val2017.zip,image_info_test2017.zip和annotations_trainval2017.zip。下载并解压后的文件目录层级如下图所示（本算法训练不需自行解压，可直接使用压缩包）：

- val2017

- train2017

- test2017

- annotations

        - image_info_test2017.json

        - image_info_test-dev2017.json

        - instances_train2017.json

        - instances_val2017.json

        - ... 

MSCOCO2017数据集包括：
训练集：118287张，19.3GB；验证集： 5000张，1814.7M。共计123287张。

如果您需要使用自己的数据集进行训练，则需要将数据目录整理成和上面一样的形式。更详细的数据集说明请查看COCO数据集官网（备用链接：https://cocodataset.org/）上的描述。

1.2 安装OBS Browser+并上传数据集

ModelArts使用对象存储服务（OBS）来存储数据，实现安全、高可靠和低成本的存储需求。OBS Browser+是一款用于访问和管理对象存储服务（Object Storage Service，OBS）的图形化工具，支持完善的桶管理和对象管理操作。OBS Browser+的图形化界面可以非常方便地让用户在本地对OBS进行管理，例如：创建桶、上传下载文件、浏览文件等。

具体操作步骤如下：
（1）点此下载OBS Browser+，下载完成后解压缩，双击exe进行安装，安装完成后运行；

（2）登录界面如下图所示，需要您填写账号名、Access Key ID（AK）和Secret Accsee Key（SK），参考此文档，获取AK和SK，华为云上的许多产品都需要用到访问密钥，请妥善保存该密钥文件，然后参考下图填写您的华为云账号名及刚获取的AK和SK，点击登录；

（3）参考下图，点击“创建桶”，输入桶名称，注意：区域要选择华北-北京四、标准存储、私有、关闭多AZ，桶名需自定义，OBS桶名要全局唯一，如提示桶名已存在，则需要您修改为其他名称，比如本文设置桶名为paper-reproduction-01。您设置的桶名必须与此不同，如在下文的操作指导中看到paper-reproduction-01，请主动将桶名替换为您自己的桶名，下文将不再进行提示；

（4）点击桶名称，进入到桶中，点击“新建文件夹”，输入文件夹名称，如“train_input”，点击进入文件夹，再新建“datasets”，点击“上传”->“添加文件”-> 选择本地下载好的数据集压缩包（之所以选压缩包格式是因为如果数据集比较大，上传压缩包比上传文件夹快很多） –> 确定，如下图所示；

（5）点击OBS Browser+左侧的“任务管理”，可查看数据上传进度。如下图所示，点击设置，在基础设置中，设置最大并发数为最大值50，可以加快数据上传速度

2. 订阅本算法

点击本页面右上方的【订阅】按钮。然后点击页面下方的【下一步】按钮，再点击【确认付款】按钮，最后点击【确定】按钮进入我的订阅页面，可以看到刚刚订阅的算法。点击【应用控制台】超链接，选择华北-北京四区域，进入算法管理页面。

如下图所示，点击“同步”按钮，同步算法，可以点击刷新按钮，刷新状态。当状态变成就绪时，表示同步成功。

3. 创建训练作业

点击上图中的“创建训练作业”，填写作业名称，选择我们刚刚生成的算法。

按照下表填写训练作业参数：

名称	默认值	类型	是否必填	是否可修改	描述
gpu_num	1	int	否	是	使用GPU的数目，默认是1块v100
imgs_per_gpu	2	int	否	是	每块GPU能同时处理的图像数目
lr	0.02	float	否	是	训练的学习率
epoch	35	int	否	是	训练多少代
lr_step	24,33	str	否	是	在训练至多少代时进行进行学习率衰减
deterministic	1	int	否	是	算法是否是确定性的，即是否设定种子
validate	1	int	否	是	训练时是否进行在验证集上检验
multi_train	1	int	否	是	在训练时是否采用多尺度图像增强
multi_test	0	int	否	是	在验证和测试时是否采用多尺度图像增强
test_ann_file	annotations/image_info_test-dev2017.json	str	否	是	测试时采用的图像标注json文件。支持输入本算法源码目录的相对路径；也支持输入可变的OBS路径，用户可指定OBS上的一个模型文件路径。
test_img_prefix	test2017	str	否	是	测试时图像所在的文件夹目录
format_only	0	int	否	是	是否只输出预测结果文件，不输出准确率等指标。当测试没有ground truth时，必须把format_only设为1
load_weight	trained_model/model/epoch_35_mAP_49.4_tsd1.pth	str	否	是	是否加载已训练好的模型权重
eval	0	int	否	是	是否进行测试。1表示测试；0表示训练

具体介绍一下load_weight参数：

1.    默认情况：默认加载已训练好的模型，即源码目录中的trained_model/model/ epoch_35_mAP_49.4_tsd1.pth，加载成功会打印日志。

2.    格式规范：支持输入本算法源码目录的相对路径；也支持输入可变的OBS路径，用户可指定OBS上的一个模型文件路径。

3.    使用方法：在训练阶段，可以加载ImageNet预训练Resnet101权重来train from scratch（需要把load_weight参数删除掉），也可以指定加载的模型路径，在此基础上继续训练；若为eval阶段，参数为空时默认加载本算法训练好的weight，不为空时加载用户指定weight进行测试。

4.    其他说明：算法加载模型成功后会打印日志。

 

点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“模型输出”路径下会自动生成model目录，该目录下有模型文件、ModelArts平台推理脚本（config.json、customize_service.py）和其他运行模型必备的文件。

4. 模型导入

准备好模型及相关的必备文件后，您可以将生成的模型导入至ModelArts模型管理。具体操作如下：

（1）在ModelArts控制台的左侧导航栏点击“模型管理” -> “模型”，点击右侧页面中的“导入”。在导入模型页面填写名称，选择元模型来源，可以直接从训练中选择(推荐使用这种方法，简单方便，与训练无缝衔接)，比如在这里我选择了上一步训练生成的模型“trainjob-train-epoch0-final”；也可以从OBS中选择。如果是从OBS中选择，则需要选择到model目录的上一级目录。如下图所示：

点击“立即创建”，需要一点时间来等待模型导入和构建，当模型版本状态为“正常”后，即表示模型导入成功。

5. 创建在线服务

在ModelArts上，可以将模型部署为在线服务，然后上传图片进行预测，直接在网页端观察预测结果，本算法支持GPU部署。

部署为在线服务具体步骤如下：

（1）在ModelArts左侧导航栏中选择“部署上线 -> 在线服务”，然后点击页面中的“部署”；

（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，计算节点规格选择"CPU：8核32GiB GPU：1*T4"即可；

（3）点击“下一步”，参数确认无误后，点击“提交”。

提交后，您可以在在线服务列表中查看部署进度，当状态变为“运行中”后，点击服务名称，进入详情页面，点击“预测”，上传图片进行测试。测试结果如下图所示，右侧为得到的预测结果，左图中用bbox标注出了预测结果。

6. 创建批量服务

在ModelArts上，还可以将模型部署为批量服务，从OBS加载测试集图片进行预测，然后将预测结果输出到OBS，本算法支持GPU部署。

部署为批量服务具体步骤如下：

（1）在ModelArts左侧导航栏中选择“部署上线 -> 批量服务”，然后点击页面中的“部署”；

（2）在部署页面填写参数，其中在“模型列表”选择要导入的模型及版本，填写输入数据目录和输出数据目录，计算节点规格选择有GPU的节点，计算节点个数设为1；

这里的输入数据目录位置为存放待预测图像的位置，注意该位置下仅能存放待预测图片，而输出数据目录位置为空文件夹即可，可自行定义。

（3）点击“下一步”，参数确认无误后，点击“提交”。

提交后，您可以在批量服务列表中查看部署进度，当状态变为“运行中”后，表示正在预测中，当状态变为“运行完成”，表示这批图片已经预测结束，预测结果保存在上图指定的OBS输出数据目录位置中，可以前往该目录查看结果。

7. 模型评估

我们分别使用val2017和test2017对训练好的模型进行评估。其中，val2017中的图片都有ground truth标注，运行代码后可以自动计算出AP值；使用test2017进行评测时，先生成预测结果，然后上传至COCO官方评测平台进行测试。

7.1 在val2017进行评测

参考本文第3节中的步骤，创建“训练作业”，按照本文一开始给出的目录结构存放文件，按照下表设置训练参数：

7.2 在test-dev2017进行评测点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“train_url”路径下会自动生成预测结果。查看log文件，我们可以发现，在val上的AP达到了48.9。

参考本文第2.4节中的步骤，创建“训练作业”，按照下表设置训练参数：

 

点击下一步，提交，训练作业的状态会经历“初始化”、“部署中”、“运行中”和“运行成功”四个状态。训练作业运行成功后，在上表中指定的“train_url”路径，下会自动生成预测结果。

 

将预测结果上传至COCO官方评测平台进行评测： https://competitions.codalab.org/competitions/20794 

可以下载预测结果。在提交的代码文件中，我们在’infer_results’目录下已经给出了test2017的预测结果。可以看到AP达到了原论文中的0.494

 

好了，到此即将结束了，大家感觉怎么样呢？期待大家在下方分享使用体验和感受，有问题也可以提哦，直接在下方回帖就行，会尽快解答的。