Detectron2 quick_schedules 回归测试配置完全指南用分钟级任务守护模型性能【免费下载链接】detectron2Detectron2 is a platform for object detection, segmentation and other visual recognition tasks.项目地址: https://gitcode.com/GitHub_Trending/de/detectron2本篇以 Detectron2 仓库中 configs/quick_schedules/README.md 为主线系统讲解其沉淀的快速回归测试配置quick schedules for performance/accuracy regression tracking设计思想与实战用法。Detectron2 在 configs/quick_schedules 目录下维护了一批可运行的配置把完整 COCO 训练动辄数天压缩为 40 次迭代、数十分钟级甚至单机 2 卡的验收任务。读完本文你将掌握三种测试instance/instant test、inference accuracy test、training accuracy test各自的使用场景、配置构成与命令行运行方式并能结合 dev 下的脚本把这些任务嵌入自己的开发与 CI 流程。一、quick_schedules 是什么为什么要快速Detectron2 是一个用于物体检测、分割等视觉识别任务的平台仓库本身演进活跃涉及大量网络结构、CUDA 算子与训练逻辑的修改。如果在每次改动后都用完整配置例如 configs/Base-RCNN-FPN.yaml 默认MAX_ITER: 90000、SOLVER.IMS_PER_BATCH: 16的全量训练来验证成本完全不可接受。于是项目将回归跟踪需求沉淀为一组特殊配置正如 configs/quick_schedules/README.md 开篇所言These are quick configs for performance or accuracy regression tracking purposes.这些配置不追求在 benchmark 上刷 SOTA而是扮演冒烟测试 精度基线校验的角色按用途分为三类全部集中在 configs/quick_schedules 目录下共 27 个 YAML 文件文件后缀用途运行方式资源要求期望产出*instant_test.yaml验证训练流程能正常跑通冒烟测试直接训练2 张 GPU 即可仅训练成功结束不追求合理精度*inference_acc_test.yaml验证推理精度符合预期仅推理--eval-only预训练权重用预训练模型跑评测并与期望精度对比*training_acc_test.yaml验证短时训练后精度在正常区间完整训练8 张 GPU约 1 小时训练精度落在EXPECTED_RESULTS容差内README 对三类文件的官方定义原文如下它们是理解全文的总纲*instance_test.yaml: can train on 2 GPUs. They are used to test whether the training can successfully finish. They are not expected to produce reasonable training results.*inference_acc_test.yaml: They should be run using--eval-only. They run inference using pre-trained models and verify the results are as expected.*training_acc_test.yaml: They should be trained on 8 GPUs. They finish in about an hour and verify the training accuracy is within the normal range.注README 中写作*instance_test.yaml而实际文件名后缀统一为*instant_test.yaml如 mask_rcnn_R_50_FPN_instant_test.yaml二者指向同一类配置以实际文件名为准。二、快速测试的核心工程技巧BASE继承 覆写几乎所有 quick_schedules 配置都大量复用正式模型配置再通过 YAML 的_BASE_继承与键覆写缩小问题规模。这套机制来自 detectron2/config 的 LazyConfig/yacs 配置系统好处是网络结构定义backbone、FPN、RPN、head与正式模型完全一致测试的结构真实性有保障仅覆写数据集、迭代数与学习率等与时间成本强相关的字段改动最小、可读性最强当正式基配置变化时测试配置自动跟随长期维护成本低。2.1 基准基配置 configs/Base-RCNN-FPN.yaml以 Mask R-CNN FPN 系列的 instant/inference/training 测试为例它们都以_BASE_: ../Base-RCNN-FPN.yaml为根该文件定义了一整套标准的 ResNetFPN 两阶段检测器默认值关键字段包括MODEL: META_ARCHITECTURE: GeneralizedRCNN RESNETS: OUT_FEATURES: [res2, res3, res4, res5] FPN: IN_FEATURES: [res2, res3, res4, res5] RPN: PRE_NMS_TOPK_TRAIN: 2000 POST_NMS_TOPK_TRAIN: 1000 ROI_HEADS: NAME: StandardROIHeads ROI_BOX_HEAD: NAME: FastRCNNConvFCHead NUM_FC: 2 POOLER_RESOLUTION: 7 ROI_MASK_HEAD: NAME: MaskRCNNConvUpsampleHead NUM_CONV: 4 POOLER_RESOLUTION: 14 DATASETS: TRAIN: (coco_2017_train,) TEST: (coco_2017_val,) SOLVER: IMS_PER_BATCH: 16 BASE_LR: 0.02 STEPS: (60000, 80000) MAX_ITER: 90000 INPUT: MIN_SIZE_TRAIN: (640, 672, 704, 736, 768, 800) VERSION: 2这是默认值模板9 万次迭代、batch 16、单尺度 800 训练。quick_schedules 要做的就是把SOLVER.MAX_ITER压到几十到几千、把数据集换成迷你子集。2.2 内置迷你数据集*_100把 val 集缩小 100 倍快速测试能跑得动第二个关键是 Detectron2 内置注册了一批只有 100 张图的小型 COCO 子集。在 detectron2/data/datasets/builtin.py 中可以查到它们的注册信息例如coco_2017_val_100: (coco/val2017, coco/annotations/instances_val2017_100.json), keypoints_coco_2017_val_100: (coco/val2017, coco/annotations/person_keypoints_val2017_100.json), coco_2017_val_100_panoptic: (...),这些数据集名形如数据集_2017_val_100即从 val2017 全量标注里抽取 100 张图的子集标注instances/person_keypoints/panoptic 对应版本图片仍需从coco/val2017目录读取。语义分割的 quick test 则使用coco_2017_val_panoptic_stuffonly仅 stuff 类别Panoptic 测试使用coco_2017_val_100_panoptic_separated。正式评测中EXPECTED_RESULTS的期望精度正是针对这些迷你子集标定的inference/training 两类测试的期望值都在 100 张子集上测得详见下文。三、*instant_test.yaml训练冒烟测试2 卡适用目标修改了训练相关代码dataloader、loss、checkpoint、分布式逻辑、head 前向等后想确认训练能不能完整走完一个最小周期而不崩。此类任务不期望产生合理精度的模型正如 README 所说 They are not expected to produce reasonable training results.3.1 一个典型实例的完整配置以 configs/quick_schedules/mask_rcnn_R_50_FPN_instant_test.yaml 为例全文仅 15 行_BASE_: ../Base-RCNN-FPN.yaml MODEL: WEIGHTS: detectron2://ImageNetPretrained/MSRA/R-50.pkl MASK_ON: True DATASETS: TRAIN: (coco_2017_val_100,) TEST: (coco_2017_val_100,) SOLVER: BASE_LR: 0.005 STEPS: (30,) MAX_ITER: 40 IMS_PER_BATCH: 4 DATALOADER: NUM_WORKERS: 2对照 Base 模板它做了四处关键覆写每一处都服务于把成本降到最低权重MODEL.WEIGHTS指向detectron2://协议的 ImageNet 预训练 R-50R-50.pkl省去从随机初始化带来的收敛不稳定风险注意这是预训练 Backbone不是完整模型权重数据集TRAIN/TEST 都换成coco_2017_val_100训练仅接触 100 张图迭代数MAX_ITER: 40是 Base 的 9 万次迭代的 1/2250STEPS: (30,)表示在 30 次迭代处衰减一次 LRbatch/workerIMS_PER_BATCH: 4、NUM_WORKERS: 2配合 2 卡即可运行的轻量 dataloader 配置。40 次迭代 × batch 4 全流程只消费约 160 张样本2 张 V100 上通常几分钟内即可跑完 epoch 式的完整生命周期包含 checkpoint 保存、周期性评估、LR schedule 触发等。3.2 各架构的 instant 测试布局quick_schedules 目录下共有 10 个*instant_test.yaml基本覆盖了 Detectron2 的主要 meta-architecture形成一张冒烟测试矩阵配置文件名继承的基配置架构要点rpn_R_50_FPN_instant_test.yamlBase-RCNN-FPN纯 RPN proposal 网络fast_rcnn_R_50_FPN_instant_test.yamlCOCO-Detection/fast_rcnn_R_50_FPN_1x.yaml固定 proposal 的检测头训练依赖外部 proposal 文件mask_rcnn_R_50_FPN_instant_test.yamlBase-RCNN-FPNFPN Mask 分割头mask_rcnn_R_50_C4_instant_test.yamlBase-RCNN-C4.yamlC4 风格 backbone 输出mask_rcnn_R_50_C4_GCV_instant_test.yamlBase-RCNN-C4C4 梯度裁剪GCV路径keypoint_rcnn_R_50_FPN_instant_test.yamlBase-RCNN-FPN关键点检测KEYPOINT_ONNUM_CLASSES: 1panoptic_fpn_R_50_instant_test.yamlBase-RCNN-FPNPanoptic 全景分割META_ARCHITECTURE: PanopticFPNretinanet_R_50_FPN_instant_test.yamlCOCO-Detection/retinanet_R_50_FPN_1x.yaml单阶段 anchor-free 检测器cascade_mask_rcnn_R_50_FPN_instant_test.yamlMisc/cascade 系列Cascade R-CNN 级联检测semantic_R_50_FPN_instant_test.yamlBase-RCNN-FPN语义分割META_ARCHITECTURE: SemanticSegmentor值得留意两类特殊变体Fast R-CNN 的 external proposals。见 fast_rcnn_R_50_FPN_instant_test.yaml它额外声明了PROPOSAL_FILES_TRAIN/PROPOSAL_FILES_TEST直接服用由 RPN 全量模型预生成的coco_2017_val_box_proposals_*.pkl从而绕开 RPN 训练、只验证检测头的训练路径。GCV 变体与梯度裁剪。mask_rcnn_R_50_C4_GCV_instant_test.yaml 专门覆盖 Gradient Clip by ValueCLIP_TYPE: value、CLIP_VALUE: 1.0的训练路径用于验证带梯度裁剪训练的稳定性。3.3 如何运行dev/run_instant_tests.sh项目在 dev/run_instant_tests.sh 提供了批量执行入口脚本核心逻辑如下BINpython tools/train_net.py OUTPUTinstant_test_output NUM_GPUS2 CFG_LIST( ${:1} ) # 支持传入自定义配置列表 if [ ${#CFG_LIST[]} -eq 0 ]; then CFG_LIST( ./configs/quick_schedules/*instant_test.yaml ) # 默认跑全部 instant test fi for cfg in ${CFG_LIST[]}; do $BIN --num-gpus $NUM_GPUS --config-file $cfg \ SOLVER.IMS_PER_BATCH $(($NUM_GPUS * 2)) \ OUTPUT_DIR $OUTPUT rm -rf $OUTPUT # 每次跑完即清理输出 done要点默认会遍历./configs/quick_schedules/*instant_test.yaml全部匹配项也可以把特定配置作为位置参数传入做单测如bash dev/run_instant_tests.sh configs/quick_schedules/mask_rcnn_R_50_FPN_instant_test.yaml入口是 tools/train_net.py会通过--num-gpus调用launch以分布式方式启动该文件使用default_argument_parser().parse_args()解析--config-file、--num-gpus、--eval-only、--resume、--opts等命令行末端的SOLVER.IMS_PER_BATCH ...、OUTPUT_DIR ...属于--opts就地覆写IMS_PER_BATCH被动态设为2 × 2 4与配置文件保持一致。读者在 2 卡环境下自行复现冒烟测试最简单的方式是python tools/train_net.py --num-gpus 2 \ --config-file configs/quick_schedules/mask_rcnn_R_50_FPN_instant_test.yaml \ OUTPUT_DIR /tmp/instant_test_output四、*inference_acc_test.yaml推理精度回归--eval-only适用目标验证预训练权重 当前代码的推理结果与官方预期一致。当改动涉及后处理NMS、TTA、精度数值类型、模型导出等推理链路时用它可以快速捕捉精度漂移。README 明确规定它必须以--eval-only方式运行不做任何训练。4.1 期望精度的声明式校验TEST.EXPECTED_RESULTS这是此类配置的灵魂。以 mask_rcnn_R_50_FPN_inference_acc_test.yaml 为例它继承自正式模型 COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml然后覆写权重与校验断言_BASE_: ../COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml MODEL: WEIGHTS: detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl DATASETS: TEST: (coco_2017_val_100,) TEST: EXPECTED_RESULTS: [[bbox, AP, 47.34, 0.02], [segm, AP, 42.67, 0.02], [bbox_TTA, AP, 49.11, 0.02], [segm_TTA, AP, 45.04, 0.02]] AUG: ENABLED: True MIN_SIZES: (700, 800) # to save some time FLOAT32_PRECISION: highest可以看到MODEL.WEIGHTS下载官方发布的model_final_f10217.pklmask_rcnn_R_50_FPN_3x 在 Model Zoo 的最终权重TEST.EXPECTED_RESULTS声明一组四元组断言[task, metric, expected_value, tolerance]这里是 bbox AP 47.34±0.02、segm AP 42.67±0.02以及开启 TTA 后的bbox_TTA/segm_TTA期望TEST.AUG.ENABLED: True开启 Test-Time Augmentation且MIN_SIZES: (700, 800)被刻意收窄为两个尺度以节省时间全量 TTA 通常使用多个尺度FLOAT32_PRECISION: highest固定浮点运算精度防止不同 GPU/库的数值差异干扰断言。4.2 底层校验机制verify_resultsEXPECTED_RESULTS如何生效评测完成后训练/评测框架 detectron2/engine/defaults.py 中会判断配置里是否有该字段并调用verify_resultsif len(self.cfg.TEST.EXPECTED_RESULTS) and comm.is_main_process(): verify_results(self.cfg, self._last_eval_results)而verify_results实现在 detectron2/evaluation/testing.py逻辑非常直接遍历EXPECTED_RESULTS中的每组(task, metric, expected, tolerance)从实际评测结果中取出对应指标逐一比较|actual - expected|是否超过容差一旦超差或指标缺失/非有限值就打印 Result verification failed! 并以sys.exit(1)退出从而让外层脚本感知失败def verify_results(cfg, results): expected_results cfg.TEST.EXPECTED_RESULTS ... for task, metric, expected, tolerance in expected_results: actual results[task].get(metric, None) ... diff abs(actual - expected) if diff tolerance: ok False ... if not ok: logger.error(Result verification failed!) sys.exit(1) else: logger.info(Results verification passed.)这就是精度回归自动化断言的完整闭环评测结果对比期望值 → 超差即非零退出码 → CI 判定失败。4.3 其他推理精度测试与运行方式keypoint_rcnn_R_50_FPN_inference_acc_test.yaml基于 COCO-Keypoints/Base-Keypoint-RCNN-FPN.yaml断言关键点与 bbox 的推理精度retinanet_R_50_FPN_inference_acc_test.yaml、rpn_R_50_FPN_inference_acc_test.yaml、semantic_R_50_FPN_inference_acc_test.yaml 分别覆盖单阶段检测、RPN、语义分割sem_seg mIoU/mACC 断言的推理路径panoptic_fpn_R_50_inference_acc_test.yaml 除模型精度外还配套了一个可视化冒烟测试。命令行运行单机建议至少 2 卡模型权重通过detectron2://自动下载到缓存python tools/train_net.py --eval-only --num-gpus 2 \ --config-file configs/quick_schedules/mask_rcnn_R_50_FPN_inference_acc_test.yaml \ OUTPUT_DIR /tmp/inference_acc_test_output项目提供的批量入口 dev/run_inference_tests.sh 与 instant 测试脚本结构类似默认遍历./configs/quick_schedules/*inference_acc_test.yaml以--eval-only逐项执行随后它还会调用python demo/demo.py --config-file ./configs/quick_schedules/panoptic_fpn_R_50_inference_acc_test.yaml --input datasets/coco/val2014/COCO_val2014_0000001933* --output $OUTPUT做一次端到端可视化推理检查需准备 COCO val2014 图片。提示推理精度测试对数值稳定环境有要求——某些 GPU 在 TF32/FP16 混算下可能出现超出 0.02 容差的抖动这也是配置里显式声明FLOAT32_PRECISION: highest的原因。五、*training_acc_test.yaml短时训练精度回归8 卡约 1 小时适用目标验证改动没有破坏训练本身的正确性——例如梯度流、损失函数、优化器更新都正常模型经过一段完整训练后精度应稳定落在历史基线区间。README 要求以8 张 GPU运行训练约 1 小时即可结束相对 9 万迭代的全量训练只是零头然后通过EXPECTED_RESULTS断言训练收敛程度。5.1 一个典型实例的完整配置以 mask_rcnn_R_50_FPN_training_acc_test.yaml 为例它直接继承 Base-RCNN-FPN 并把训练规模压到 6000 迭代_BASE_: ../Base-RCNN-FPN.yaml MODEL: WEIGHTS: detectron2://ImageNetPretrained/MSRA/R-50.pkl ROI_HEADS: BATCH_SIZE_PER_IMAGE: 256 MASK_ON: True DATASETS: TRAIN: (coco_2017_val,) TEST: (coco_2017_val,) INPUT: MIN_SIZE_TRAIN: (600,) MAX_SIZE_TRAIN: 1000 MIN_SIZE_TEST: 800 MAX_SIZE_TEST: 1000 SOLVER: WARMUP_FACTOR: 0.3333333 WARMUP_ITERS: 100 STEPS: (5500, 5800) MAX_ITER: 6000 TEST: EXPECTED_RESULTS: [[bbox, AP, 42.5, 1.0], [segm, AP, 35.8, 0.8]]与 instant 测试不同这里不使用_100子集而是直接用完整coco_2017_valval 在同时承担训练集角色时相当于一种准测试集通过调整输入尺度来缩短单步时间训练尺度固定为短边 600MIN_SIZE_TRAIN: (600,)去掉 Base 的多尺度抖动测试尺度短边 800。6000 次迭代 长短两个 LR 衰减点5500、5800在 8 卡 × 每批 16Base 默认 IMS_PER_BATCH下约 1 小时跑完期望 bbox AP ≈ 42.5容差 ±1.0、segm AP ≈ 35.8容差 ±0.8。容差远大于 inference 测试0.02因为短训练天然存在随机波动验证的是数量级正确而非逐点一致。5.2 关键点与 RPN smooth L1 的注释对回归测试配置而言训练精度断言受 loss 类型影响极大。在关键点版本 keypoint_rcnn_R_50_FPN_normalized_training_acc_test.yaml 中可以看到两组带注释的覆写直接反映工程经验ROI_BOX_HEAD: SMOOTH_L1_BETA: 1.0 # Keypoint AP degrades when using plain L1 loss RPN: SMOOTH_L1_BETA: 0.2 # Keypoint AP degrades when using plain L1 loss即关键点任务下若将 Smooth L1 换成普通 L1关键点 AP 会明显退化——这两条注释把为什么这个数值必须保持烙进了配置本身说明 quick_schedules 也在记录可复现的训练超参数基线。该配置还包含 ROI 头 batch 256、ROI_KEYPOINT_HEAD.NORMALIZE_LOSS_BY_VISIBLE_KEYPOINTS: False等与正式关键点模型一致的超参并断言 keypoints AP 76.91±1.0。5.3 语义分割的 mIoU 断言与 stuff-only 训练语义分割版 semantic_R_50_FPN_training_acc_test.yaml 把META_ARCHITECTURE覆写为SemanticSegmentor训练/测试都使用coco_2017_val_panoptic_stuffonlypanoptic 标注中的 stuff 类别子集关闭尺度增强以提速TEST: EXPECTED_RESULTS: [[sem_seg, mIoU, 76.51, 1.0], [sem_seg, mACC, 83.25, 1.0]] INPUT: MIN_SIZE_TRAIN: (800, ) # no scale augmentation对语义分割的回归断言同时给出mIoU76.51±1.0与mACC83.25±1.0两类像素级指标。类似的Panoptic 版本 panoptic_fpn_R_50_training_acc_test.yaml 使用coco_2017_val_panoptic_separated。5.4 覆盖范围与运行方式training_acc_test一族目前共 7 个配置除上述外还包括 mask_rcnn_R_50_C4_training_acc_test.yamlC4 backbone 训练路径与 mask_rcnn_R_50_FPN_pred_boxes_training_acc_test.yaml覆盖基于预测框而非 GT 框采样的特殊训练回归。运行命令与 inference 测试相同但不带--eval-onlypython tools/train_net.py --num-gpus 8 \ --config-file configs/quick_schedules/mask_rcnn_R_50_FPN_training_acc_test.yaml \ OUTPUT_DIR /tmp/training_acc_test_output注意请按 README 要求使用 8 卡若 GPU 数量或每卡显存不同需要同步调整SOLVER.IMS_PER_BATCH否则学习率/迭代数与 batch 的默认配套关系会失真导致精度断言不可复现。六、三者在 CI / 开发流程中的角色把这三种测试放到一起看它们分别守卫开发流程的三个不同阶段构成一套金字塔式回归防线最底层最快*instant_test.yaml2 卡、几分钟——每个 PR 或本地改动后先跑只有训练生命周期跑通后续才有意义。它通常直接决定 does training crash at all? 这类基本问题中层*inference_acc_test.yaml单机 2 卡即可依赖 Model Zoo 预训练权重——验证推理链路含 TTA、数值精度对模型输出的保真度适合在改动postprocessing、evaluation、export相关代码后运行顶层最贵按需跑*training_acc_test.yaml8 卡约 1 小时——验证训练链路数值正确性适合在大规模改动 optimizer、loss、backbone 结构后做周期性回归。三个脚本exit code都可作为 CI 门禁凡EXPECTED_RESULTS校验失败detectron2/evaluation/testing.py 返回sys.exit(1)对应 job 即失败而dev/run_instant_tests.sh、dev/run_inference_tests.sh默认遍历整个 configs/quick_schedules 目录新增配置无需改动脚本即可自动纳入回归矩阵。七、小结与快速参考核心思想用_BASE_继承正式模型配置通过覆写MAX_ITER/IMS_PER_BATCH/数据集/输入尺度把训练成本降低数个数量级从而把模型回归验证从几天压缩到几分钟到一小时数据集基础依赖detectron2://预训练权重ImageNet R-50 / Model Zoo final weights与内置 100 张子集*_val_100、*_val_100_panoptic_separated相关注册见 detectron2/data/datasets/builtin.py断言机制三类配置中的期望精度统一通过TEST.EXPECTED_RESULTS格式[task, metric, expected, tolerance]声明由 detectron2/engine/defaults.py 在评测/训练结束时触发 verify_results 自动校验容差设计inference 测试容差极小0.02逐点复现官方推理training 测试容差大±0.8~1.0容忍短训练随机波动instant 测试无精度断言只看能否跑通快速上手命令见 dev/run_instant_tests.sh 与 dev/run_inference_tests.sh或按上文命令直接通过 tools/train_net.py 指定单配置执行。当你需要为自己的定制检测/分割模型建立低成本回归体系时直接复用 configs/quick_schedules 这套模式继承正式配置 迷你数据集 EXPECTED_RESULTS断言 shell 批量脚本即可获得与 Detectron2 官方同款的开发保障。【免费下载链接】detectron2Detectron2 is a platform for object detection, segmentation and other visual recognition tasks.项目地址: https://gitcode.com/GitHub_Trending/de/detectron2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Detectron2 quick_schedules 回归测试配置完全指南：用分钟级任务守护模型性能
Detectron2 quick_schedules 回归测试配置完全指南用分钟级任务守护模型性能【免费下载链接】detectron2Detectron2 is a platform for object detection, segmentation and other visual recognition tasks.项目地址: https://gitcode.com/GitHub_Trending/de/detectron2本篇以 Detectron2 仓库中 configs/quick_schedules/README.md 为主线系统讲解其沉淀的快速回归测试配置quick schedules for performance/accuracy regression tracking设计思想与实战用法。Detectron2 在 configs/quick_schedules 目录下维护了一批可运行的配置把完整 COCO 训练动辄数天压缩为 40 次迭代、数十分钟级甚至单机 2 卡的验收任务。读完本文你将掌握三种测试instance/instant test、inference accuracy test、training accuracy test各自的使用场景、配置构成与命令行运行方式并能结合 dev 下的脚本把这些任务嵌入自己的开发与 CI 流程。一、quick_schedules 是什么为什么要快速Detectron2 是一个用于物体检测、分割等视觉识别任务的平台仓库本身演进活跃涉及大量网络结构、CUDA 算子与训练逻辑的修改。如果在每次改动后都用完整配置例如 configs/Base-RCNN-FPN.yaml 默认MAX_ITER: 90000、SOLVER.IMS_PER_BATCH: 16的全量训练来验证成本完全不可接受。于是项目将回归跟踪需求沉淀为一组特殊配置正如 configs/quick_schedules/README.md 开篇所言These are quick configs for performance or accuracy regression tracking purposes.这些配置不追求在 benchmark 上刷 SOTA而是扮演冒烟测试 精度基线校验的角色按用途分为三类全部集中在 configs/quick_schedules 目录下共 27 个 YAML 文件文件后缀用途运行方式资源要求期望产出*instant_test.yaml验证训练流程能正常跑通冒烟测试直接训练2 张 GPU 即可仅训练成功结束不追求合理精度*inference_acc_test.yaml验证推理精度符合预期仅推理--eval-only预训练权重用预训练模型跑评测并与期望精度对比*training_acc_test.yaml验证短时训练后精度在正常区间完整训练8 张 GPU约 1 小时训练精度落在EXPECTED_RESULTS容差内README 对三类文件的官方定义原文如下它们是理解全文的总纲*instance_test.yaml: can train on 2 GPUs. They are used to test whether the training can successfully finish. They are not expected to produce reasonable training results.*inference_acc_test.yaml: They should be run using--eval-only. They run inference using pre-trained models and verify the results are as expected.*training_acc_test.yaml: They should be trained on 8 GPUs. They finish in about an hour and verify the training accuracy is within the normal range.注README 中写作*instance_test.yaml而实际文件名后缀统一为*instant_test.yaml如 mask_rcnn_R_50_FPN_instant_test.yaml二者指向同一类配置以实际文件名为准。二、快速测试的核心工程技巧BASE继承 覆写几乎所有 quick_schedules 配置都大量复用正式模型配置再通过 YAML 的_BASE_继承与键覆写缩小问题规模。这套机制来自 detectron2/config 的 LazyConfig/yacs 配置系统好处是网络结构定义backbone、FPN、RPN、head与正式模型完全一致测试的结构真实性有保障仅覆写数据集、迭代数与学习率等与时间成本强相关的字段改动最小、可读性最强当正式基配置变化时测试配置自动跟随长期维护成本低。2.1 基准基配置 configs/Base-RCNN-FPN.yaml以 Mask R-CNN FPN 系列的 instant/inference/training 测试为例它们都以_BASE_: ../Base-RCNN-FPN.yaml为根该文件定义了一整套标准的 ResNetFPN 两阶段检测器默认值关键字段包括MODEL: META_ARCHITECTURE: GeneralizedRCNN RESNETS: OUT_FEATURES: [res2, res3, res4, res5] FPN: IN_FEATURES: [res2, res3, res4, res5] RPN: PRE_NMS_TOPK_TRAIN: 2000 POST_NMS_TOPK_TRAIN: 1000 ROI_HEADS: NAME: StandardROIHeads ROI_BOX_HEAD: NAME: FastRCNNConvFCHead NUM_FC: 2 POOLER_RESOLUTION: 7 ROI_MASK_HEAD: NAME: MaskRCNNConvUpsampleHead NUM_CONV: 4 POOLER_RESOLUTION: 14 DATASETS: TRAIN: (coco_2017_train,) TEST: (coco_2017_val,) SOLVER: IMS_PER_BATCH: 16 BASE_LR: 0.02 STEPS: (60000, 80000) MAX_ITER: 90000 INPUT: MIN_SIZE_TRAIN: (640, 672, 704, 736, 768, 800) VERSION: 2这是默认值模板9 万次迭代、batch 16、单尺度 800 训练。quick_schedules 要做的就是把SOLVER.MAX_ITER压到几十到几千、把数据集换成迷你子集。2.2 内置迷你数据集*_100把 val 集缩小 100 倍快速测试能跑得动第二个关键是 Detectron2 内置注册了一批只有 100 张图的小型 COCO 子集。在 detectron2/data/datasets/builtin.py 中可以查到它们的注册信息例如coco_2017_val_100: (coco/val2017, coco/annotations/instances_val2017_100.json), keypoints_coco_2017_val_100: (coco/val2017, coco/annotations/person_keypoints_val2017_100.json), coco_2017_val_100_panoptic: (...),这些数据集名形如数据集_2017_val_100即从 val2017 全量标注里抽取 100 张图的子集标注instances/person_keypoints/panoptic 对应版本图片仍需从coco/val2017目录读取。语义分割的 quick test 则使用coco_2017_val_panoptic_stuffonly仅 stuff 类别Panoptic 测试使用coco_2017_val_100_panoptic_separated。正式评测中EXPECTED_RESULTS的期望精度正是针对这些迷你子集标定的inference/training 两类测试的期望值都在 100 张子集上测得详见下文。三、*instant_test.yaml训练冒烟测试2 卡适用目标修改了训练相关代码dataloader、loss、checkpoint、分布式逻辑、head 前向等后想确认训练能不能完整走完一个最小周期而不崩。此类任务不期望产生合理精度的模型正如 README 所说 They are not expected to produce reasonable training results.3.1 一个典型实例的完整配置以 configs/quick_schedules/mask_rcnn_R_50_FPN_instant_test.yaml 为例全文仅 15 行_BASE_: ../Base-RCNN-FPN.yaml MODEL: WEIGHTS: detectron2://ImageNetPretrained/MSRA/R-50.pkl MASK_ON: True DATASETS: TRAIN: (coco_2017_val_100,) TEST: (coco_2017_val_100,) SOLVER: BASE_LR: 0.005 STEPS: (30,) MAX_ITER: 40 IMS_PER_BATCH: 4 DATALOADER: NUM_WORKERS: 2对照 Base 模板它做了四处关键覆写每一处都服务于把成本降到最低权重MODEL.WEIGHTS指向detectron2://协议的 ImageNet 预训练 R-50R-50.pkl省去从随机初始化带来的收敛不稳定风险注意这是预训练 Backbone不是完整模型权重数据集TRAIN/TEST 都换成coco_2017_val_100训练仅接触 100 张图迭代数MAX_ITER: 40是 Base 的 9 万次迭代的 1/2250STEPS: (30,)表示在 30 次迭代处衰减一次 LRbatch/workerIMS_PER_BATCH: 4、NUM_WORKERS: 2配合 2 卡即可运行的轻量 dataloader 配置。40 次迭代 × batch 4 全流程只消费约 160 张样本2 张 V100 上通常几分钟内即可跑完 epoch 式的完整生命周期包含 checkpoint 保存、周期性评估、LR schedule 触发等。3.2 各架构的 instant 测试布局quick_schedules 目录下共有 10 个*instant_test.yaml基本覆盖了 Detectron2 的主要 meta-architecture形成一张冒烟测试矩阵配置文件名继承的基配置架构要点rpn_R_50_FPN_instant_test.yamlBase-RCNN-FPN纯 RPN proposal 网络fast_rcnn_R_50_FPN_instant_test.yamlCOCO-Detection/fast_rcnn_R_50_FPN_1x.yaml固定 proposal 的检测头训练依赖外部 proposal 文件mask_rcnn_R_50_FPN_instant_test.yamlBase-RCNN-FPNFPN Mask 分割头mask_rcnn_R_50_C4_instant_test.yamlBase-RCNN-C4.yamlC4 风格 backbone 输出mask_rcnn_R_50_C4_GCV_instant_test.yamlBase-RCNN-C4C4 梯度裁剪GCV路径keypoint_rcnn_R_50_FPN_instant_test.yamlBase-RCNN-FPN关键点检测KEYPOINT_ONNUM_CLASSES: 1panoptic_fpn_R_50_instant_test.yamlBase-RCNN-FPNPanoptic 全景分割META_ARCHITECTURE: PanopticFPNretinanet_R_50_FPN_instant_test.yamlCOCO-Detection/retinanet_R_50_FPN_1x.yaml单阶段 anchor-free 检测器cascade_mask_rcnn_R_50_FPN_instant_test.yamlMisc/cascade 系列Cascade R-CNN 级联检测semantic_R_50_FPN_instant_test.yamlBase-RCNN-FPN语义分割META_ARCHITECTURE: SemanticSegmentor值得留意两类特殊变体Fast R-CNN 的 external proposals。见 fast_rcnn_R_50_FPN_instant_test.yaml它额外声明了PROPOSAL_FILES_TRAIN/PROPOSAL_FILES_TEST直接服用由 RPN 全量模型预生成的coco_2017_val_box_proposals_*.pkl从而绕开 RPN 训练、只验证检测头的训练路径。GCV 变体与梯度裁剪。mask_rcnn_R_50_C4_GCV_instant_test.yaml 专门覆盖 Gradient Clip by ValueCLIP_TYPE: value、CLIP_VALUE: 1.0的训练路径用于验证带梯度裁剪训练的稳定性。3.3 如何运行dev/run_instant_tests.sh项目在 dev/run_instant_tests.sh 提供了批量执行入口脚本核心逻辑如下BINpython tools/train_net.py OUTPUTinstant_test_output NUM_GPUS2 CFG_LIST( ${:1} ) # 支持传入自定义配置列表 if [ ${#CFG_LIST[]} -eq 0 ]; then CFG_LIST( ./configs/quick_schedules/*instant_test.yaml ) # 默认跑全部 instant test fi for cfg in ${CFG_LIST[]}; do $BIN --num-gpus $NUM_GPUS --config-file $cfg \ SOLVER.IMS_PER_BATCH $(($NUM_GPUS * 2)) \ OUTPUT_DIR $OUTPUT rm -rf $OUTPUT # 每次跑完即清理输出 done要点默认会遍历./configs/quick_schedules/*instant_test.yaml全部匹配项也可以把特定配置作为位置参数传入做单测如bash dev/run_instant_tests.sh configs/quick_schedules/mask_rcnn_R_50_FPN_instant_test.yaml入口是 tools/train_net.py会通过--num-gpus调用launch以分布式方式启动该文件使用default_argument_parser().parse_args()解析--config-file、--num-gpus、--eval-only、--resume、--opts等命令行末端的SOLVER.IMS_PER_BATCH ...、OUTPUT_DIR ...属于--opts就地覆写IMS_PER_BATCH被动态设为2 × 2 4与配置文件保持一致。读者在 2 卡环境下自行复现冒烟测试最简单的方式是python tools/train_net.py --num-gpus 2 \ --config-file configs/quick_schedules/mask_rcnn_R_50_FPN_instant_test.yaml \ OUTPUT_DIR /tmp/instant_test_output四、*inference_acc_test.yaml推理精度回归--eval-only适用目标验证预训练权重 当前代码的推理结果与官方预期一致。当改动涉及后处理NMS、TTA、精度数值类型、模型导出等推理链路时用它可以快速捕捉精度漂移。README 明确规定它必须以--eval-only方式运行不做任何训练。4.1 期望精度的声明式校验TEST.EXPECTED_RESULTS这是此类配置的灵魂。以 mask_rcnn_R_50_FPN_inference_acc_test.yaml 为例它继承自正式模型 COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml然后覆写权重与校验断言_BASE_: ../COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml MODEL: WEIGHTS: detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl DATASETS: TEST: (coco_2017_val_100,) TEST: EXPECTED_RESULTS: [[bbox, AP, 47.34, 0.02], [segm, AP, 42.67, 0.02], [bbox_TTA, AP, 49.11, 0.02], [segm_TTA, AP, 45.04, 0.02]] AUG: ENABLED: True MIN_SIZES: (700, 800) # to save some time FLOAT32_PRECISION: highest可以看到MODEL.WEIGHTS下载官方发布的model_final_f10217.pklmask_rcnn_R_50_FPN_3x 在 Model Zoo 的最终权重TEST.EXPECTED_RESULTS声明一组四元组断言[task, metric, expected_value, tolerance]这里是 bbox AP 47.34±0.02、segm AP 42.67±0.02以及开启 TTA 后的bbox_TTA/segm_TTA期望TEST.AUG.ENABLED: True开启 Test-Time Augmentation且MIN_SIZES: (700, 800)被刻意收窄为两个尺度以节省时间全量 TTA 通常使用多个尺度FLOAT32_PRECISION: highest固定浮点运算精度防止不同 GPU/库的数值差异干扰断言。4.2 底层校验机制verify_resultsEXPECTED_RESULTS如何生效评测完成后训练/评测框架 detectron2/engine/defaults.py 中会判断配置里是否有该字段并调用verify_resultsif len(self.cfg.TEST.EXPECTED_RESULTS) and comm.is_main_process(): verify_results(self.cfg, self._last_eval_results)而verify_results实现在 detectron2/evaluation/testing.py逻辑非常直接遍历EXPECTED_RESULTS中的每组(task, metric, expected, tolerance)从实际评测结果中取出对应指标逐一比较|actual - expected|是否超过容差一旦超差或指标缺失/非有限值就打印 Result verification failed! 并以sys.exit(1)退出从而让外层脚本感知失败def verify_results(cfg, results): expected_results cfg.TEST.EXPECTED_RESULTS ... for task, metric, expected, tolerance in expected_results: actual results[task].get(metric, None) ... diff abs(actual - expected) if diff tolerance: ok False ... if not ok: logger.error(Result verification failed!) sys.exit(1) else: logger.info(Results verification passed.)这就是精度回归自动化断言的完整闭环评测结果对比期望值 → 超差即非零退出码 → CI 判定失败。4.3 其他推理精度测试与运行方式keypoint_rcnn_R_50_FPN_inference_acc_test.yaml基于 COCO-Keypoints/Base-Keypoint-RCNN-FPN.yaml断言关键点与 bbox 的推理精度retinanet_R_50_FPN_inference_acc_test.yaml、rpn_R_50_FPN_inference_acc_test.yaml、semantic_R_50_FPN_inference_acc_test.yaml 分别覆盖单阶段检测、RPN、语义分割sem_seg mIoU/mACC 断言的推理路径panoptic_fpn_R_50_inference_acc_test.yaml 除模型精度外还配套了一个可视化冒烟测试。命令行运行单机建议至少 2 卡模型权重通过detectron2://自动下载到缓存python tools/train_net.py --eval-only --num-gpus 2 \ --config-file configs/quick_schedules/mask_rcnn_R_50_FPN_inference_acc_test.yaml \ OUTPUT_DIR /tmp/inference_acc_test_output项目提供的批量入口 dev/run_inference_tests.sh 与 instant 测试脚本结构类似默认遍历./configs/quick_schedules/*inference_acc_test.yaml以--eval-only逐项执行随后它还会调用python demo/demo.py --config-file ./configs/quick_schedules/panoptic_fpn_R_50_inference_acc_test.yaml --input datasets/coco/val2014/COCO_val2014_0000001933* --output $OUTPUT做一次端到端可视化推理检查需准备 COCO val2014 图片。提示推理精度测试对数值稳定环境有要求——某些 GPU 在 TF32/FP16 混算下可能出现超出 0.02 容差的抖动这也是配置里显式声明FLOAT32_PRECISION: highest的原因。五、*training_acc_test.yaml短时训练精度回归8 卡约 1 小时适用目标验证改动没有破坏训练本身的正确性——例如梯度流、损失函数、优化器更新都正常模型经过一段完整训练后精度应稳定落在历史基线区间。README 要求以8 张 GPU运行训练约 1 小时即可结束相对 9 万迭代的全量训练只是零头然后通过EXPECTED_RESULTS断言训练收敛程度。5.1 一个典型实例的完整配置以 mask_rcnn_R_50_FPN_training_acc_test.yaml 为例它直接继承 Base-RCNN-FPN 并把训练规模压到 6000 迭代_BASE_: ../Base-RCNN-FPN.yaml MODEL: WEIGHTS: detectron2://ImageNetPretrained/MSRA/R-50.pkl ROI_HEADS: BATCH_SIZE_PER_IMAGE: 256 MASK_ON: True DATASETS: TRAIN: (coco_2017_val,) TEST: (coco_2017_val,) INPUT: MIN_SIZE_TRAIN: (600,) MAX_SIZE_TRAIN: 1000 MIN_SIZE_TEST: 800 MAX_SIZE_TEST: 1000 SOLVER: WARMUP_FACTOR: 0.3333333 WARMUP_ITERS: 100 STEPS: (5500, 5800) MAX_ITER: 6000 TEST: EXPECTED_RESULTS: [[bbox, AP, 42.5, 1.0], [segm, AP, 35.8, 0.8]]与 instant 测试不同这里不使用_100子集而是直接用完整coco_2017_valval 在同时承担训练集角色时相当于一种准测试集通过调整输入尺度来缩短单步时间训练尺度固定为短边 600MIN_SIZE_TRAIN: (600,)去掉 Base 的多尺度抖动测试尺度短边 800。6000 次迭代 长短两个 LR 衰减点5500、5800在 8 卡 × 每批 16Base 默认 IMS_PER_BATCH下约 1 小时跑完期望 bbox AP ≈ 42.5容差 ±1.0、segm AP ≈ 35.8容差 ±0.8。容差远大于 inference 测试0.02因为短训练天然存在随机波动验证的是数量级正确而非逐点一致。5.2 关键点与 RPN smooth L1 的注释对回归测试配置而言训练精度断言受 loss 类型影响极大。在关键点版本 keypoint_rcnn_R_50_FPN_normalized_training_acc_test.yaml 中可以看到两组带注释的覆写直接反映工程经验ROI_BOX_HEAD: SMOOTH_L1_BETA: 1.0 # Keypoint AP degrades when using plain L1 loss RPN: SMOOTH_L1_BETA: 0.2 # Keypoint AP degrades when using plain L1 loss即关键点任务下若将 Smooth L1 换成普通 L1关键点 AP 会明显退化——这两条注释把为什么这个数值必须保持烙进了配置本身说明 quick_schedules 也在记录可复现的训练超参数基线。该配置还包含 ROI 头 batch 256、ROI_KEYPOINT_HEAD.NORMALIZE_LOSS_BY_VISIBLE_KEYPOINTS: False等与正式关键点模型一致的超参并断言 keypoints AP 76.91±1.0。5.3 语义分割的 mIoU 断言与 stuff-only 训练语义分割版 semantic_R_50_FPN_training_acc_test.yaml 把META_ARCHITECTURE覆写为SemanticSegmentor训练/测试都使用coco_2017_val_panoptic_stuffonlypanoptic 标注中的 stuff 类别子集关闭尺度增强以提速TEST: EXPECTED_RESULTS: [[sem_seg, mIoU, 76.51, 1.0], [sem_seg, mACC, 83.25, 1.0]] INPUT: MIN_SIZE_TRAIN: (800, ) # no scale augmentation对语义分割的回归断言同时给出mIoU76.51±1.0与mACC83.25±1.0两类像素级指标。类似的Panoptic 版本 panoptic_fpn_R_50_training_acc_test.yaml 使用coco_2017_val_panoptic_separated。5.4 覆盖范围与运行方式training_acc_test一族目前共 7 个配置除上述外还包括 mask_rcnn_R_50_C4_training_acc_test.yamlC4 backbone 训练路径与 mask_rcnn_R_50_FPN_pred_boxes_training_acc_test.yaml覆盖基于预测框而非 GT 框采样的特殊训练回归。运行命令与 inference 测试相同但不带--eval-onlypython tools/train_net.py --num-gpus 8 \ --config-file configs/quick_schedules/mask_rcnn_R_50_FPN_training_acc_test.yaml \ OUTPUT_DIR /tmp/training_acc_test_output注意请按 README 要求使用 8 卡若 GPU 数量或每卡显存不同需要同步调整SOLVER.IMS_PER_BATCH否则学习率/迭代数与 batch 的默认配套关系会失真导致精度断言不可复现。六、三者在 CI / 开发流程中的角色把这三种测试放到一起看它们分别守卫开发流程的三个不同阶段构成一套金字塔式回归防线最底层最快*instant_test.yaml2 卡、几分钟——每个 PR 或本地改动后先跑只有训练生命周期跑通后续才有意义。它通常直接决定 does training crash at all? 这类基本问题中层*inference_acc_test.yaml单机 2 卡即可依赖 Model Zoo 预训练权重——验证推理链路含 TTA、数值精度对模型输出的保真度适合在改动postprocessing、evaluation、export相关代码后运行顶层最贵按需跑*training_acc_test.yaml8 卡约 1 小时——验证训练链路数值正确性适合在大规模改动 optimizer、loss、backbone 结构后做周期性回归。三个脚本exit code都可作为 CI 门禁凡EXPECTED_RESULTS校验失败detectron2/evaluation/testing.py 返回sys.exit(1)对应 job 即失败而dev/run_instant_tests.sh、dev/run_inference_tests.sh默认遍历整个 configs/quick_schedules 目录新增配置无需改动脚本即可自动纳入回归矩阵。七、小结与快速参考核心思想用_BASE_继承正式模型配置通过覆写MAX_ITER/IMS_PER_BATCH/数据集/输入尺度把训练成本降低数个数量级从而把模型回归验证从几天压缩到几分钟到一小时数据集基础依赖detectron2://预训练权重ImageNet R-50 / Model Zoo final weights与内置 100 张子集*_val_100、*_val_100_panoptic_separated相关注册见 detectron2/data/datasets/builtin.py断言机制三类配置中的期望精度统一通过TEST.EXPECTED_RESULTS格式[task, metric, expected, tolerance]声明由 detectron2/engine/defaults.py 在评测/训练结束时触发 verify_results 自动校验容差设计inference 测试容差极小0.02逐点复现官方推理training 测试容差大±0.8~1.0容忍短训练随机波动instant 测试无精度断言只看能否跑通快速上手命令见 dev/run_instant_tests.sh 与 dev/run_inference_tests.sh或按上文命令直接通过 tools/train_net.py 指定单配置执行。当你需要为自己的定制检测/分割模型建立低成本回归体系时直接复用 configs/quick_schedules 这套模式继承正式配置 迷你数据集 EXPECTED_RESULTS断言 shell 批量脚本即可获得与 Detectron2 官方同款的开发保障。【免费下载链接】detectron2Detectron2 is a platform for object detection, segmentation and other visual recognition tasks.项目地址: https://gitcode.com/GitHub_Trending/de/detectron2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
