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%）。
综上，通过测试“新一代卡皇”GeForce RTX 3090的性能，最终结果还是比较令人满意的。
