手把手教你MMDetection基准和模型汇总

论文下载地址：点击这里

目录

• 环境
• 镜像站点
• 常用设定
• 基准线
• 与Detectron和maskrcnn-benchmark的比较

环境

硬件

• 8 NVIDIA Tesla V100 GPUs
• Intel Xeon 4114 CPU @ 2.20GHz

软件环境

• Python 3.6 / 3.7
• PyTorch 1.1
• CUDA 9.0.176
• CUDNN 7.0.4
• NCCL 2.1.15

镜像站点

我们使用AWS作为托管模型汇总的主要站点，并在阿里云上维护一面镜子。您可以在模型网址中替换https://s3.ap-northeast-2.amazonaws.com/open-mmlab为https://open-mmlab.oss-cn-beijing.aliyuncs.com。

常用设置

• 所有FPN基准和RPN-C4基准均使用8个GPU进行训练，批处理大小为16（每个GPU 2张图像）。其他C4基线使用8个批处理大小为8的GP​​U进行了训练（每个GPU 1张图像）。
• 所有模型都经过培训coco_2017_train和测试coco_2017_val。
• 我们使用分布式训练，并且BN层统计信息是固定的。
• 我们采用与Detectron相同的培训时间表。