NPU (华为 昇腾)

使用方法

请参考 MMCV 的安装文档 来安装 NPU 版本的 MMCV。

以下展示单机八卡场景的运行指令:

bash tools/dist_train.sh configs/ssd/ssd300_coco.py 8

以下展示单机单卡下的运行指令:

python tools/train.py configs/ssd/ssd300_coco.py

模型验证结果

Model	box AP	mask AP	Config	Download
ssd300	25.6	---	config	log
ssd512	29.4	---	config	log
ssdlite-mbv2*	20.2	---	config	log
retinanet-r18	31.8	---	config	log
retinanet-r50	36.6	---	config	log
yolov3-608	34.7	---	config	log
yolox-s**	39.9	---	config	log
centernet-r18	26.1	---	config	log
fcos-r50*	36.1	---	config	log
solov2-r50	---	34.7	config	log

注意:

• 如果没有特别标记，NPU 上的结果与使用 FP32 的 GPU 上的结果结果相同。

• (*) 这些模型在 NPU 上的结果与 GPU 上的混合精度训练结果一致，但低于 FP32 的结果。这种情况主要与模型本身在混合精度训练中的特点有关， 用户可以自行调整超参数来获得更高精度。

• (**) GPU 上 yolox-s 在混合精度下的精度为 40.1 低于readme中 40.5 的水平;默认情况下，yolox-s 启用 persister_woker=True，但这个参数 目前在NPU上存在一些bug，会导致在最后几个epoch由于资源耗尽报错退出，对整体精度影响有限可以忽略。

Ascend加速模块验证结果

优化方案简介：

1. 修改循环计算为一次整体计算，目的是减少下发指令数量。

2. 修改索引计算为掩码计算，原因是SIMD架构芯片擅长处理连续数据计算。

Model	Config	v100 iter time	910A iter time
ascend-ssd300	config	0.165s/iter	0.383s/iter -> 0.13s/iter
ascend-retinanet-r18	config	0.567s/iter	0.780s/iter -> 0.420s/iter

以上模型结果由华为昇腾团队提供