基准测试

这里我们对 MMDetection3D 和其他开源 3D 目标检测代码库中模型的训练速度和测试速度进行了基准测试。

配置

硬件：8 NVIDIA Tesla V100 (32G) GPUs, Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz
软件：Python 3.7, CUDA 10.1, cuDNN 7.6.5, PyTorch 1.3, numba 0.48.0.
模型：由于不同代码库所实现的模型种类有所不同，在基准测试中我们选择了 SECOND、PointPillars、Part-A2 和 VoteNet 几种模型，分别与其他代码库中的相应模型实现进行了对比。
度量方法：我们使用整个训练过程中的平均吞吐量作为度量方法，并跳过每个 epoch 的前 50 次迭代以消除训练预热的影响。

主要结果

对于模型的训练速度（样本/秒），我们将 MMDetection3D 与其他实现了相同模型的代码库进行了对比。结果如下所示，表格内的数字越大，代表模型的训练速度越快。代码库中不支持的模型使用 × 进行标识。

模型	MMDetection3D	OpenPCDet	votenet	Det3D
VoteNet	358	×	77	×
PointPillars-car	141	×	×	140
PointPillars-3class	107	44	×	×
SECOND	40	30	×	×
Part-A2	17	14	×	×

测试细节

为了计算速度所做的修改

MMDetection3D：我们尝试使用与其他代码库中尽可能相同的配置，具体配置细节见基准测试配置。
Det3D：为了与 Det3D 进行比较，我们使用了 commit 519251e 所对应的代码版本。

OpenPCDet：为了与 OpenPCDet 进行比较，我们使用了 commit b32fbddb 所对应的代码版本。

为了计算训练速度，我们在 ./tools/train_utils/train_utils.py 文件中添加了用于记录运行时间的代码。我们对每个 epoch 的训练速度进行计算，并报告所有 epoch 的平均速度。

（为了使用相同方法进行测试所做的具体修改 - 点击展开）

diff --git a/tools/train_utils/train_utils.py b/tools/train_utils/train_utils.py
index 91f21dd..021359d 100644
--- a/tools/train_utils/train_utils.py
+++ b/tools/train_utils/train_utils.py
@@ -2,6 +2,7 @@ import torch
 import os
 import glob
 import tqdm
+import datetime
 from torch.nn.utils import clip_grad_norm_


@@ -13,7 +14,10 @@ def train_one_epoch(model, optimizer, train_loader, model_func, lr_scheduler, ac
     if rank == 0:
         pbar = tqdm.tqdm(total=total_it_each_epoch, leave=leave_pbar, desc='train', dynamic_ncols=True)

+    start_time = None
     for cur_it in range(total_it_each_epoch):
+        if cur_it > 49 and start_time is None:
+            start_time = datetime.datetime.now()
         try:
             batch = next(dataloader_iter)
         except StopIteration:
@@ -55,9 +59,11 @@ def train_one_epoch(model, optimizer, train_loader, model_func, lr_scheduler, ac
                 tb_log.add_scalar('learning_rate', cur_lr, accumulated_iter)
                 for key, val in tb_dict.items():
                     tb_log.add_scalar('train_' + key, val, accumulated_iter)
+    endtime = datetime.datetime.now()
+    speed = (endtime - start_time).seconds / (total_it_each_epoch - 50)
     if rank == 0:
         pbar.close()
-    return accumulated_iter
+    return accumulated_iter, speed


 def train_model(model, optimizer, train_loader, model_func, lr_scheduler, optim_cfg,
@@ -65,6 +71,7 @@ def train_model(model, optimizer, train_loader, model_func, lr_scheduler, optim_
                 lr_warmup_scheduler=None, ckpt_save_interval=1, max_ckpt_save_num=50,
                 merge_all_iters_to_one_epoch=False):
     accumulated_iter = start_iter
+    speeds = []
     with tqdm.trange(start_epoch, total_epochs, desc='epochs', dynamic_ncols=True, leave=(rank == 0)) as tbar:
         total_it_each_epoch = len(train_loader)
         if merge_all_iters_to_one_epoch:
@@ -82,7 +89,7 @@ def train_model(model, optimizer, train_loader, model_func, lr_scheduler, optim_
                 cur_scheduler = lr_warmup_scheduler
             else:
                 cur_scheduler = lr_scheduler
-            accumulated_iter = train_one_epoch(
+            accumulated_iter, speed = train_one_epoch(
                 model, optimizer, train_loader, model_func,
                 lr_scheduler=cur_scheduler,
                 accumulated_iter=accumulated_iter, optim_cfg=optim_cfg,
@@ -91,7 +98,7 @@ def train_model(model, optimizer, train_loader, model_func, lr_scheduler, optim_
                 total_it_each_epoch=total_it_each_epoch,
                 dataloader_iter=dataloader_iter
             )
-
+            speeds.append(speed)
             # save trained model
             trained_epoch = cur_epoch + 1
             if trained_epoch % ckpt_save_interval == 0 and rank == 0:
@@ -107,6 +114,8 @@ def train_model(model, optimizer, train_loader, model_func, lr_scheduler, optim_
                 save_checkpoint(
                     checkpoint_state(model, optimizer, trained_epoch, accumulated_iter), filename=ckpt_name,
                 )
+            print(speed)
+    print(f'*******{sum(speeds) / len(speeds)}******')


 def model_state_to_cpu(model_state):

VoteNet

MMDetection3D：在 v0.1.0 版本下, 执行如下命令：

./tools/dist_train.sh configs/votenet/votenet_8xb16_sunrgbd-3d.py 8 --no-validate

votenet：在 commit 2f6d6d3 版本下，执行如下命令：

python train.py --dataset sunrgbd --batch_size 16

然后执行如下命令，对测试速度进行评估：

python eval.py --dataset sunrgbd --checkpoint_path log_sunrgbd/checkpoint.tar --batch_size 1 --dump_dir eval_sunrgbd --cluster_sampling seed_fps --use_3d_nms --use_cls_nms --per_class_proposal

注意，为了计算推理速度，我们对 eval.py 进行了修改。

（为了对相同模型进行测试所做的具体修改 - 点击展开）

diff --git a/eval.py b/eval.py
  index c0b2886..04921e9 100644
  --- a/eval.py
  +++ b/eval.py
  @@ -10,6 +10,7 @@ import os
   import sys
   import numpy as np
   from datetime import datetime
  +import time
   import argparse
   import importlib
   import torch
  @@ -28,7 +29,7 @@ parser.add_argument('--checkpoint_path', default=None, help='Model checkpoint pa
   parser.add_argument('--dump_dir', default=None, help='Dump dir to save sample outputs [default: None]')
   parser.add_argument('--num_point', type=int, default=20000, help='Point Number [default: 20000]')
   parser.add_argument('--num_target', type=int, default=256, help='Point Number [default: 256]')
  -parser.add_argument('--batch_size', type=int, default=8, help='Batch Size during training [default: 8]')
  +parser.add_argument('--batch_size', type=int, default=1, help='Batch Size during training [default: 8]')
   parser.add_argument('--vote_factor', type=int, default=1, help='Number of votes generated from each seed [default: 1]')
   parser.add_argument('--cluster_sampling', default='vote_fps', help='Sampling strategy for vote clusters: vote_fps, seed_fps, random [default: vote_fps]')
   parser.add_argument('--ap_iou_thresholds', default='0.25,0.5', help='A list of AP IoU thresholds [default: 0.25,0.5]')
  @@ -132,6 +133,7 @@ CONFIG_DICT = {'remove_empty_box': (not FLAGS.faster_eval), 'use_3d_nms': FLAGS.
   # ------------------------------------------------------------------------- GLOBAL CONFIG END

   def evaluate_one_epoch():
  +    time_list = list()
       stat_dict = {}
       ap_calculator_list = [APCalculator(iou_thresh, DATASET_CONFIG.class2type) \
           for iou_thresh in AP_IOU_THRESHOLDS]
  @@ -144,6 +146,8 @@ def evaluate_one_epoch():

           # Forward pass
           inputs = {'point_clouds': batch_data_label['point_clouds']}
  +        torch.cuda.synchronize()
  +        start_time = time.perf_counter()
           with torch.no_grad():
               end_points = net(inputs)

  @@ -161,6 +165,12 @@ def evaluate_one_epoch():

           batch_pred_map_cls = parse_predictions(end_points, CONFIG_DICT)
           batch_gt_map_cls = parse_groundtruths(end_points, CONFIG_DICT)
  +        torch.cuda.synchronize()
  +        elapsed = time.perf_counter() - start_time
  +        time_list.append(elapsed)
  +
  +        if len(time_list==200):
  +            print("average inference time: %4f"%(sum(time_list[5:])/len(time_list[5:])))
           for ap_calculator in ap_calculator_list:
               ap_calculator.step(batch_pred_map_cls, batch_gt_map_cls)

PointPillars-car

MMDetection3D：在 v0.1.0 版本下, 执行如下命令：

./tools/dist_train.sh configs/benchmark/hv_pointpillars_secfpn_3x8_100e_det3d_kitti-3d-car.py 8 --no-validate

Det3D：在 commit 519251e 版本下，使用 kitti_point_pillars_mghead_syncbn.py 并执行如下命令：

./tools/scripts/train.sh --launcher=slurm --gpus=8

注意，为了训练 PointPillars，我们对 train.sh 进行了修改。

（为了对相同模型进行测试所做的具体修改 - 点击展开）

diff --git a/tools/scripts/train.sh b/tools/scripts/train.sh
index 3a93f95..461e0ea 100755
--- a/tools/scripts/train.sh
+++ b/tools/scripts/train.sh
@@ -16,9 +16,9 @@ then
 fi

 # Voxelnet
-python -m torch.distributed.launch --nproc_per_node=8 ./tools/train.py examples/second/configs/  kitti_car_vfev3_spmiddlefhd_rpn1_mghead_syncbn.py --work_dir=$SECOND_WORK_DIR
+# python -m torch.distributed.launch --nproc_per_node=8 ./tools/train.py examples/second/configs/  kitti_car_vfev3_spmiddlefhd_rpn1_mghead_syncbn.py --work_dir=$SECOND_WORK_DIR
 # python -m torch.distributed.launch --nproc_per_node=8 ./tools/train.py examples/cbgs/configs/  nusc_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py --work_dir=$NUSC_CBGS_WORK_DIR
 # python -m torch.distributed.launch --nproc_per_node=8 ./tools/train.py examples/second/configs/  lyft_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py --work_dir=$LYFT_CBGS_WORK_DIR

 # PointPillars
-# python -m torch.distributed.launch --nproc_per_node=8 ./tools/train.py ./examples/point_pillars/configs/  original_pp_mghead_syncbn_kitti.py --work_dir=$PP_WORK_DIR
+python -m torch.distributed.launch --nproc_per_node=8 ./tools/train.py ./examples/point_pillars/configs/  kitti_point_pillars_mghead_syncbn.py

PointPillars-3class

MMDetection3D：在 v0.1.0 版本下, 执行如下命令：

./tools/dist_train.sh configs/benchmark/hv_pointpillars_secfpn_4x8_80e_pcdet_kitti-3d-3class.py 8 --no-validate

OpenPCDet：在 commit b32fbddb 版本下，执行如下命令：

cd tools
sh scripts/slurm_train.sh ${PARTITION} ${JOB_NAME} 8  --cfg_file ./cfgs/kitti_models/pointpillar.yaml --batch_size 32  --workers 32 --epochs 80

SECOND

基准测试中的 SECOND 指在 second.Pytorch 首次被实现的 SECONDv1.5。Det3D 实现的 SECOND 中，使用了自己实现的 Multi-Group Head，因此无法将它的速度与其他代码库进行对比。

MMDetection3D：在 v0.1.0 版本下, 执行如下命令：

./tools/dist_train.sh configs/benchmark/hv_second_secfpn_4x8_80e_pcdet_kitti-3d-3class.py 8 --no-validate

OpenPCDet：在 commit b32fbddb 版本下，执行如下命令：

cd tools
sh ./scripts/slurm_train.sh ${PARTITION} ${JOB_NAME} 8  --cfg_file ./cfgs/kitti_models/second.yaml --batch_size 32  --workers 32 --epochs 80

Part-A2

MMDetection3D：在 v0.1.0 版本下, 执行如下命令：

./tools/dist_train.sh configs/benchmark/hv_PartA2_secfpn_4x8_cyclic_80e_pcdet_kitti-3d-3class.py 8 --no-validate

OpenPCDet：在 commit b32fbddb 版本下，执行如下命令以进行模型训练：

cd tools
sh ./scripts/slurm_train.sh ${PARTITION} ${JOB_NAME} 8  --cfg_file ./cfgs/kitti_models/PartA2.yaml --batch_size 32 --workers 32 --epochs 80

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

benchmarks.md

benchmarks.md

基准测试

配置

主要结果

测试细节

为了计算速度所做的修改

VoteNet

PointPillars-car

PointPillars-3class

SECOND

Part-A2

Files

benchmarks.md

Latest commit

History

benchmarks.md

File metadata and controls

基准测试

配置

主要结果

测试细节

为了计算速度所做的修改

VoteNet

PointPillars-car

PointPillars-3class

SECOND

Part-A2