# MMdetection算例测试

## 测试前准备
### 数据集准备
使用coco数据集,放在./data下.
### 环境部署
```python
yum install python3
yum install libquadmath
yum install numactl
yum install openmpi3
yum install glog
yum install lmdb-libs
yum install opencv-core
yum install opencv
yum install openblas-serial
pip3 install --upgrade pip
pip3 install opencv-python
```
### 安装python依赖包
```python
pip3 install torch-1.10.0a0+gitcc7c9c7-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install torchvision-0.10.0a0+300a8a4-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install mmcv_full-1.3.16-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
mmdet 安装：
cd mmdetection 
pip3 install -e 
```
注：测试不同版本的dtk，需安装对应版本的库whl包，dtk22.04.1使用python3.7，dtk21.10.1使用python3.6
## Faster-Rcnn测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
```
若使用dtk22.04.1测试，需设置`export MIOPEN_FIND_MODE=1，export MIOPEN_USE_APPROXIMATE_PERFORMANCE=0`以下测试均相同.

#### 参数说明
configs/_base_/datasets/coco_detection.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659163369453](image/train/1659163369453.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/faster_rcnn_r50_fpn_fp16_1x_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/faster_rcnn_r50_fpn_fp16_1x_coco.py
```
## Mask-Rcnn测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py
```
#### 参数说明
configs/_base_/datasets/coco_instance.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659164315340](image/train/1659164315340.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/mask_rcnn/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/mask_rcnn_r50_caffe_fpn_mstrain-poly_1x_fp16_coco.py
```
## Double-Heads测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/double_heads/dh_faster_rcnn_r50_fpn_1x_coco.py
```
#### 参数说明
configs/_base_/datasets/coco_detection.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659164497462](image/train/1659164497462.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/double_heads/dh_faster_rcnn_r50_fpn_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/dh_faster_rcnn_r50_fpn_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/dh_faster_rcnn_r50_fpn_1x_fp16_coco.py
```
## Cascade-Mask-Rcnn测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/cascade_rcnn/cascade_mask_rcnn_r50_fpn_1x_coco.py
```

#### 参数说明
configs/_base_/datasets/coco_instance.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659165101880](image/train/1659165101880.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/cascade_rcnn/cascade_mask_rcnn_r50_fpn_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/cascade_mask_rcnn_r50_fpn_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/cascade_mask_rcnn_r50_fpn_1x_fp16_coco.py
```
## ResNest测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/resnest/mask_rcnn_s50_fpn_syncbn-backbone+head_mstrain_1x_coco.py
```

#### 参数说明
configs/_base_/datasets/coco_instance.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659165209670](image/train/1659165209670.png)
单卡测试需将type='SyncBN'改为BN：
![1659165231678](image/train/1659165231678.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/resnest/mask_rcnn_s50_fpn_syncbn-backbone+head_mstrain_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/mask_rcnn_s50_fpn_syncbn-backbone+head_mstrain_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/mask_rcnn_s50_fpn_syncbn-backbone+head_mstrain_1x_fp16_coco.py
```
## Dcn测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/dcn/faster_rcnn_r50_fpn_mdpool_1x_coco.py
```
#### 参数说明
configs/_base_/datasets/coco_detection.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659165385359](image/train/1659165385359.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/dcn/faster_rcnn_r50_fpn_mdpool_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/faster_rcnn_r50_fpn_mdpool_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/faster_rcnn_r50_fpn_mdpool_1x_fp16_coco.py
```
## RetinaNet测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/retinanet/retinanet_r50_caffe_fpn_1x_coco.py
```

#### 参数说明
configs/_base_/datasets/coco_detection.py 中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659165489693](image/train/1659165489693.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/retinanet/retinanet_r50_caffe_fpn_1x_coco.py
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/retinanet_r50_caffe_fpn_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/retinanet_r50_caffe_fpn_1x_fp16_coco.py
```
## VfNet测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/vfnet/vfnet_r50_fpn_1x_coco.py
```
#### 参数说明
configs/vfnet/vfnet_r50_fpn_1x_coco.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659165606806](image/train/1659165606806.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/vfnet/vfnet_r50_fpn_1x_coco.p
```
### 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/vfnet_r50_fpn_1x_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/vfnet_r50_fpn_1x_fp16_coco.py
```
## Ssd测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/ssd/ssd300_coco.py
```
#### 参数说明
configs/ssd/ssd300_coco.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659165721407](image/train/1659165721407.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/ssd/ssd300_coco.py
```
## 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/ssd300_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/ssd300_fp16_coco.py
```
## Yolov3测试
### 单卡测试（单精度）
```python
./sing_test.sh configs/yolo/yolov3_d53_mstrain-416_273e_coco.py
```
#### 参数说明
configs/yolo/yolov3_d53_mstrain-608_273e_coco.py中batch_size=samples_per_gpu*卡数,性能计算方法：batch_size/time
![1659166259835](image/train/1659166259835.png)
#### 性能关注：time
### 多卡测试（单精度）
```python
./multi_test.sh configs/yolo/yolov3_d53_mstrain-416_273e_coco.py
```
## 单卡测试（半精度）
```python
./sing_test.sh configs/fp16/yolov3_d53_mstrain-416_273e_fp16_coco.py
```
### 多卡测试（半精度）
```python
./multi_test.sh configs/fp16/yolov3_d53_mstrain-416_273e_fp16_coco.py
```