恒源云 _Gpushare.com | RTX 3090 独家训练实录：MMDetectionV2 + ResNeSt

关注

发布于: 2021 年 04 月 22 日

恒源云_Gpushare.com | RTX 3090独家训练实录：MMDetectionV2 + ResNeSt

进入干货之前，先简单自我介绍一下吧，笔者主要从事深度学习 CV 领域，近一年，由于工作需要，再加上个人兴趣，在目标检测、实例分割任务方面，花了不少时间调研和阅读论文。

对此，笔者也跑过了无数实验，参加过大大小小的比赛，emmm，有最终获得第一的，有遗憾获得第二的，有初赛就被淘汰无缘复赛的，也有做到一半由于各种原因放弃的，有机会以后可以和大家唠一唠...

言归正传，今天想和大家分享的独家干货是，MMDetectionV2 + ResNeSt + RTX3090 的训练实录，CVer 会比较熟悉，这三款分别来自框架、算法、硬件领域的产品，都是 2020 年新推出的爆款，目前还没有看过三者结合的公开实验分享。

正好，笔者最近租用了一台双卡 24G 的 GeForce RTX 3090 设备，就顺便升级了一下 MMDetection 至 V2.7.0（2020 年 11 月底发布，之前由于其更新速度太快，下半年一直停留在 V2.2.0 版本），并发现此次更新，增加了对 ResNeSt 作为 backbone 的支持，立刻决定跑个实验测试一下性能，希望能给大家一些参考。

接下来，分别简单介绍一下：

【MMDetection】

这是港中大 OpenMMLab 及商汤科技开源的基于 PyTorch 的检测分割框架，该团队在参加 2018 MS COCO Detection Challenge 后开源，于 2018 年 10 月首次发布 V0.5.1 版本，2020 年 1 月发布 V1.0.0 版本，2020 年 6 月推出全新升级的 V2.0.0 版本。

相比于其他类似的开源框架，例如 Facebook 的 maskrcnn-benchmark 及 Detectron2 或百度的 PaddleDetection，MMDetection 是目前最受欢迎、关注度最高的框架，主要原因在于，其功能全覆盖面广、性能高、以及更新速度快等特点。

【ResNeSt】

号称最强 ResNet 改进版，“ResNeSt: Split-Attention Networks”这篇论文出自亚马逊李沐，张航团队，于 2020 年 4 月上传至 arXiv（截止目前还未在会议或期刊上发表，不出意外，2021 年的 CVPR 或 ICCV 等顶会应该会有它的身影）。

此文一出反响热烈，一方面，由于其在图像分类、目标检测、实例分割、语义分割等多项任务中都有显著提升。

另一方面，一些质疑声也随之而来，主要来源于其对比实验，例如 ResNeSt-50 vs. ResNet-50，采用了大量最新发表的训练及数据增强策略，而在 ResNet-50 于 2015 年提出时，这些技术并不存在，因此其公平性受到挑战。

无论如何，ResNeSt 在最近各大比赛中频繁登场并大放光彩，可见其泛化能力极强。

【RTX 3090】

英伟达 GeForce RTX 30 系列，于 2020 年 9 月正式发布，其中的 3090 版本对比上一任“老大哥”GeForce RTX 2080 Ti，不论是性能还是价格都完全碾压。

再加上疫情原因，以至于推出后很长时间，在国内市场都处于缺货、抢购、价格抬高等现象，即便在美国也是一卡难求，这无疑让深度学习爱好者对其充满向往。

介绍完背景后，现在进入正题，本次实验的相关配置如下：

Python 3.8.7

PyTorch 1.7.1

torchvision 0.8.2

CUDA 11.0

cuDNN 8.0.5

GCC 7.3

MMDetection 2.7.0

MMCV 1.2.4

数据方面，采用了经典的 MS COCO 2017，其中训练集 train、验证集 val 以及测试集 test-dev 的数量分别约为 118K、5K、20K。

算法方面，本次实验选择了 ResNeSt-101 + FPN + SyncBN + Cascade Mask RCN 作为检测器，这里并没有使用最新的 HTC 或 DetectoRS，主要是想和 ResNeSt 论文中给出的实验结果做直接对比。

训练及测试细节如下：

训练时长采用“2x schedule”，即 24 周期，step=[16,22]

多尺度训练 1600x[400,1200]，这里参考了 HTC 论文里的尺度，而非 ResNeSt 论文中的 1333x[640,800]

单尺度测试 1600x1000，同上，未选择传统的 1333x800

双卡训练，每卡 2 张图片，即 batch size 为 4

初始学习率设定为 0.01，这里稍高于传统目标检测 linear scaling rule 定义的 0.005

根据 ResNeSt 论文推荐，backbone 及 head 都采用 SyncBN

其余设置及超参数不变

训练一个周期大约 11.5 小时，训练时显存几乎占满，如下图所示。由于是双卡跑“2x schedule”，如果按照一般论文中的 8 卡跑“1x schedule”配置来算的话，整个训练过程大约需要 34.5 小时，算是比较快的。这里顺便提一下，经亲测，同样的配置 8 卡 2080 Ti 跑“1x schedule”一般需要 2 天多一些（49 至 50 小时）。

受资源限制，多尺度训练并未采用 HTC 的 1600x[400,1400]。同样的，backbone 并没加入最近比较流行的 DCNv2，加入后 mAP 一般可以提升 1 至 2 个百分点左右，如下图所示（来自于 ResNeSt 原文中的 Table 12）。

根据以往经验，多尺度测试一般 mAP 可提升 1.5 至 2.5 个百分点左右，由于本次实验并非为了比赛或刷榜，为节省时间测试阶段采用单尺度，结果如下：

上面两张图，分别为模型在验证集上的检测 bbox mAP 以及分割 segm mAP 结果，对比下图中的结果（来自于 ResNeSt 原文中的 Table 6），本次实验效果稍微好一些（bbox 49.4% vs. 48.3%，segm 43.1% vs. 41.6%），可能得益于较大的尺度及较长的训练时长，但不论如何，双卡的 RTX 3090 可以复现作者的 8 卡结果还是令人比较满意的。

下面三张图分别为测试集 test-dev 上的 bbox mAP、segm mAP（需要将 json 文件上传至 COCO 的官方网站）以及原文中的 Table 10。需要注意的是原文中的结果使用了 DCNv2，而本次实验并未对 backbone 做额外的增强操作，也达到了一样的效果（bbox 50.0% vs. 50.0%，segm 43.7% vs. 43.0%）。