作者：伝迹、谦言、临在

欢迎使用我们最近开源的EasyCV，主要聚焦于最新的Vision Transformer模型，以及相关的下游CV任务

ViTDet其实是恺明团队MAE和ViT-based Mask R-CNN两个工作的延续。MAE提出了ViT的无监督训练方法，而ViT-based Mask R-CNN给出了用ViT作为backbone的Mask R-CNN的训练技巧，并证明了MAE预训练对下游检测任务的重要性。而ViTDet进一步改进了一些设计，证明了ViT作为backone的检测模型可以匹敌基于FPN的backbone(如SwinT和MViT)检测模型。

ViT作为检测模型的backbone需要解决两个问题：

如何提升计算效率？
如何得到多尺度特征？

ViT-based Mask R-CNN给出了初步的解决方案，ViTDet在此基础上，对如何得到多尺度特征做了进一步的改进。

如何提升计算效率

ViT采用的global self-attention和图像输入大小(HW)的平方成正比，对于检测模型，其输入分辨率往往较大，此时用ViT作为backbone在计算量和内存消耗上都是非常惊人的，比如输入尺寸为1024x1024，采用ViT-B训练Mask R-CNN单batch就需要消耗约20-30GB显存。为了解决这个问题，ViT-based Mask R-CNN将ViT分成4个stage，每个stage的前几个block采用windowed self-attention，最后一个block采用global self-attention，比较table 3 (2)和(3)显著降低显存消耗和训练时间，而且效果只有轻微下降。

ViTDet进一步研究了如何做window的信息聚合，除了采用4个global self-attention以外，还可以采用4个residual block。如下表(a)所示，采用4个conv blocks效果是最好的，并且basic block效果最好(b)。另外表(c)和表(d)表明每个stage的最后一个block使用信息聚合，速度和精度的平衡是最好的。

Backbone

根据ViT-based Mask R-CNN论文table 4 (94)的结果，用预训练过的pos embed加上BEiT提出的relative position bias效果最好，其中将pos embed迁移到下游任务需要对pos embed的进行resize操作。

最开始实现了一版共享的relational position bias，精度上不去，感觉是打开方式不对，后来参照ViTAE的不共享relational paosition bias，能加快收敛速度，代码如下。

def calc_rel_pos_spatial(
    attn,
    q,
    q_shape,
    k_shape,
    rel_pos_h,
    rel_pos_w,
):
    """
    Spatial Relative Positional Embeddings.
    """
    sp_idx = 0
    q_h, q_w = q_shape
    k_h, k_w = k_shape
    
    # Scale up rel pos if shapes for q and k are different.
    q_h_ratio = max(k_h / q_h, 1.0)
    k_h_ratio = max(q_h / k_h, 1.0)
    dist_h = (
        torch.arange(q_h)[:, None] * q_h_ratio -
        torch.arange(k_h)[None, :] * k_h_ratio)
    dist_h += (k_h - 1) * k_h_ratio
    q_w_ratio = max(k_w / q_w, 1.0)
    k_w_ratio = max(q_w / k_w, 1.0)
    dist_w = (
        torch.arange(q_w)[:, None] * q_w_ratio -
        torch.arange(k_w)[None, :] * k_w_ratio)
    dist_w += (k_w - 1) * k_w_ratio
    
    Rh = rel_pos_h[dist_h.long()]
    Rw = rel_pos_w[dist_w.long()]
    
    B, n_head, q_N, dim = q.shape
    
    r_q = q[:, :, sp_idx:].reshape(B, n_head, q_h, q_w, dim)
    rel_h = torch.einsum('byhwc,hkc->byhwk', r_q, Rh)
    rel_w = torch.einsum('byhwc,wkc->byhwk', r_q, Rw)
    
    attn[:, :, sp_idx:, sp_idx:] = (
        attn[:, :, sp_idx:, sp_idx:].view(B, -1, q_h, q_w, k_h, k_w) +
        rel_h[:, :, :, :, :, None] + rel_w[:, :, :, :, None, :]).view(
        B, -1, q_h * q_w, k_h * k_w)
    
    return

将ViT作为ViTDet的预训练需要对foward过程进行改造，通过window_partition和window_reverse两个操作，对输入feature反复进行切window和还原，这样子可以充分利用ViT的预训练模型，同时提高检测的计算效率，论文中描述如上。

ViT-based Mask R-CNN和ViTDet提到的window size都是14x14，但是在输入分辨率为1024x1024的情况下，先经过一个patch_embed，就变成了64x64的分辨率，64是不能整除14的，

这里有两种处理方式：

1.在patch_embed之后加一个插值变成56x56，从ViT输出的时候再插值回64x64。

2.在patch_embed之后pad成70x70，恢复成原图的时候裁剪成64x64。

两种都试了一下，发现第二种不会掉点，而第一种可能会导致position embedding的不对齐，代码如下。

x = F.pad(x, (0, 0, pad_l, pad_r, pad_t, pad_b))
_, Hp, Wp, _ = x.shape
...
...
if pad_r > 0 or pad_b > 0:
    x = x[:, :H, :W, :].contiguous()
    
x = x.view(B_, H * W, C)

如何得到多尺度特征

ViT模型是同质结构，如果采用的patch size为16x16，那么最终就得到一种1/16的尺度特征。但是常用的检测模型往往需要多尺度特征，大多数CNN和金字塔ViT都可以适应这种输出，比如ResNet从不同stage提取1/4，1/8，1/16和1/32的特征，并送入FPN进一步融合得到多尺度特征。ViT-based Mask R-CNN借鉴了XCiT的解决方案，将ViT的transformer blocks均分成4个部分，然后从d/4，2d/4，3d/4和d的输出分别提取1/4，1/8，1/16和1/32的特征(分别采用2个stride=2的反卷积，一个stride=2的反卷积，identity，stride=2的max pooling)，然后送入FPN。

而ViTDet进一步简化了这种策略，直接用最后的1/16特征通过上采样(stride=2的反卷积)或者下采样(stride=2的max pooling)得到4个尺度的特征，而且也不再用FPN来进一步融合特征，如上图c所示。

比较table 1 (a)(b)(c)这种设计不仅简单，而且效果是最好的。

Simple feature pyramid

为了方便起见，简写为SFP。SFP先用ViT的最后一层构建出多尺度特征，然后分别接1个1x1conv做通道数reduce，再接一个3x3conv，论文中的描述如上。

论文中说在conv之后使用layernorm，那么就需要不断的进行reshape操作，实现起来会比较复杂冗余。为了实现更加简洁干净，复现采用了groupnorm等价layernorm的方式(只要把group数设置成1就可以了)。

按照ViTDet论文中的说法，应该是只有4层尺度特征，但是标准的FPN一般是5层，不清楚具体实现的时候是用的几层，本实现默认使用5层。

Mask RCNN

论文中对于mask rcnn的修改如上，总结一下：

rpn head 2conv + LN

roi head 4conv + 1fc，BN替换成LN

mask head BN替换成LN

数据增强

也就是说训练的时候，采用large scale jitter，然后padding成1024；推理的时候保持长宽比最长边不超过1024，然后padding成1024。

超参数

预训练默认使用mae_vit-base-p16-1600e，使用AdamW优化器，并且用step-wise lr，bs64，warmup 250 iter，lr 1e-4，weight decay 0.1，ViT-B的drop_path_rate设置成0.1。

ViTDet文章中说是layer-wise lr decay可以涨点0.3左右，但是我的实现导致最开始收敛很慢，感觉不一定有效。本实现默认不使用layer-wise lr decay。

复现ViTDet的过程中，让我惊叹的除了单尺度构建多尺度特征精度超过FPN之外，还有一点是从ViT -> SFP -> RPN Head -> RoI Head -> Mask Head的一整套流程中竟然没有使用一个BN，所有的norm都用LN替换掉了，这不是完全跟NLP对齐了。

预训练对比实验

另外ViTDet还对有监督预训练和无监督预训练MAE做了对比实验，可以看到MAE可以大幅度提升AP，尤其是ViT-L，甚至超过了IN-21k有监督训练效果，如table 4所示。

和其他层次化的backbone相比，ViTDet也取得了最好的效果，如table 5所示。

效果图

最终复现的基于ViT-Base的ViTDet_MaskRCNN精度为50.6，比论文低0.6，可能还有一点点小细节没有考虑到的。

model	base	cur	detials	box_AP	mask_AP	lr	epoch	RunTime(hours)	bs(total=imgs/gpu x gpu_nums x cumulative_iters)	comments
VitDet	-	E0		50.6	45.0	step	100	59	8node8bs=64

Tutorial

接下来，我们将通过一个实际的例子介绍如何基于EasyCV进行ViTDet算法的训练，也可以在该链接查看详细步骤。

一、安装依赖包

如果是在本地开发环境运行，可以参考该链接安装环境。若使用PAI-DSW进行实验则无需安装相关依赖，在PAI-DSW docker中已内置相关环境。

二、数据准备

你可以下载COCO2017数据，也可以使用我们提供了示例COCO数据

wget http://pai-vision-data-hz.oss-cn-zhangjiakou.aliyuncs.com/data/small_coco_demo/small_coco_demo.tar.gz && tar -zxf small_coco_demo.tar.gz

mkdir -p data/  && mv small_coco_demo data/coco

data/coco格式如下：

data/coco/
├── annotations
│   ├── instances_train2017.json
│   └── instances_val2017.json
├── train2017
│   ├── 000000005802.jpg
│   ├── 000000060623.jpg
│   ├── 000000086408.jpg
│   ├── 000000118113.jpg
│   ├── 000000184613.jpg
│   ├── 000000193271.jpg
│   ├── 000000222564.jpg
│       ...
│   └── 000000574769.jpg
└── val2017
    ├── 000000006818.jpg
    ├── 000000017627.jpg
    ├── 000000037777.jpg
    ├── 000000087038.jpg
    ├── 000000174482.jpg
    ├── 000000181666.jpg
    ├── 000000184791.jpg
    ├── 000000252219.jpg
         ...
    └── 000000522713.jpg

三、模型训练和评估

以vitdet-base为示例。在EasyCV中，使用配置文件的形式来实现对模型参数、数据输入及增广方式、训练策略的配置，仅通过修改配置文件中的参数设置，就可以完成实验配置进行训练。可以直接下载示例配置文件。

查看easycv安装位置

# 查看easycv安装位置
import easycv
print(easycv.__file__)

export PYTHONPATH=$PYTHONPATH:root/EasyCV

执行训练命令

单机8卡：
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -m torch.distributed.launch --nproc_per_node=8 --master_port=29500 tools/train.py configs/detection/vitdet/vitdet_100e.py --work_dir easycv/vitdet --launcher pytorch --fp16
8机8卡：
cp  EasyCV/tools/launch.py ./ && cp EasyCV/tools/train.py ./ &&python -m launch --nproc_per_node=8 train configs/detection/vitdet_dlc/vitdet_100e.py --work_dir easycv/vitdet_100e --launcher pytorch --fp16

执行评估命令

CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -m torch.distributed.launch --nproc_per_node=8 --master_port=29500 tools/train.py configs/detection/vitdet/vitdet_100e.py --work_dir easycv/vitdet --launcher pytorch --fp16 --eval

Reference

模型细节来源：

ViT-based Mask RCNN https://arxiv.org/abs/2111.11429
ViTDet https://arxiv.org/abs/2203.16527

代码实现：

https://github.com/alibaba/EasyCV/blob/master/easycv/models/backbones/vitdet.py

https://github.com/tuofeilunhifi/EasyCV/blob/master/easycv/models/detection/vitdet/sfp.py

基于EasyCV复现ViTDet：单层特征超越FPN