企业官网建设流程全解析

• 人工智能
• 计算机视觉
• 预训练

本文围绕 QualityInspector 工业质检解决方案 中内置的 RCNN 增强检测算法（PSS-DET，Practical Server Side Detection），完整解读其技术构成、模型库与配置文件组织方式，并结合仓库源码给出从训练、验证到推理的实操路径。读完本文，你将掌握这套以 ResNet50-vd + SSLD 预训练为基座、融合 FPN + DCNv2 等算子的两阶段检测方案在 COCO 任务上的效果、其配置文件每个字段的语义，以及如何在 QualityInspector 中按统一配置方式复用它。

一、方案概述

近年来，目标检测一直是学术界与工业界共同关注的图像任务。PaddleDetection 与 PaddleClas 配合，推出了一面向服务器端部署的实用检测方案 PSS-DET（Practical Server Side Detection）。其核心思想是：用更强的预训练模型替代 ImageNet 常规预训练权重，再用 PaddleDetection 提供的丰富算子（FPN、DCNv2、Libra R-CNN 相关组件等）组装出精度与速度兼备的两阶段检测器。

在 QualityInspector 仓库中，该方案以 contrib/QualityInspector/configs/det/rcnn_enhance/README_en.md 为入口文档，具体配置位于 contrib/QualityInspector/configs/det/rcnn_enhance/ 目录下，包含：

• 主配置 faster_rcnn_enhance_3x_coco.yml
• 基础配置目录 _base_（含 faster_rcnn_enhance.yml、faster_rcnn_enhance_reader.yml、optimizer_3x.yml）

同时，仓库中还保留了同族算法的对照配置（如 faster_rcnn/README.md、cascade_rcnn、mask_rcnn 等），方便横向对比。

关键组成与原理

PSS-DET 之所以“实用”，在于三点：

1. 强预训练基座：使用基于 PaddleClas SSLD 蒸馏方案训练的 ResNet50-vd 预训练模型（在 ImageNet1k 验证集 Top1 Acc 达 82.39%），显著优于普通 ImageNet 预训练权重。
2. DCNv2 可变形卷积：在 ResNet 的 res3、res4、res5 三个阶段启用可变形卷积 v2，提升几何形变建模能力。
3. 训练与后处理技巧：采用 Libra R-CNN 的 bbox assigner（BBoxLibraAssigner）、DIoU Loss、AutoAugment 数据增强、3x（36 epoch）学习率调度等，共同提升收敛质量与最终精度。

二、模型库

根据 README_en.md 的模型库表格，该方案在 COCO 上提供的模型如下：

• 推理速度在单张 Tesla V100 上测得，batch size 为 1；
• Box AP 为 COCO mAP（IoU=0.5:0.95）；
• 训练基于 COCO2017 数据集（train2017 训练、val2017 验证）。

注：仓库内不内置权重文件，模型权重需从 PaddleDetection 模型库中下载；可参考同目录下其他 README（如 faster_rcnn/README.md）中的下载链接模式，将faster_rcnn_enhance_3x_coco.pdparams与ResNet50_vd_ssld_v2_pretrained.pdparams下载后按配置中pretrain_weights/weights指向使用。

三、配置文件全解

PSS-DET 的配置采用 PaddleDetection 的动态图配置风格：主配置通过_BASE_继承若干基础配置，字段即 Python 可解析的对象描述。

3.1 主配置

faster_rcnn_enhance_3x_coco.yml 内容如下：

_BASE_: [ '../datasets/coco_detection.yml', '../runtime.yml', '_base_/optimizer_3x.yml', '_base_/faster_rcnn_enhance.yml', '_base_/faster_rcnn_enhance_reader.yml', ] weights: output/faster_rcnn_enhance_r50_3x_coco/model_final

• _BASE_依次继承：数据集配置（coco_detection.yml）、运行环境配置（runtime.yml）、3x 优化器配置、模型结构配置、数据读取器配置；
• weights指定训练产出的模型权重路径前缀，训练过程会在此目录下生成 checkpoint 与model_final。

3.2 数据集与运行环境

coco_detection.yml 定义：

• metric: COCO、num_classes: 80；
• TrainDataset使用COCODataSet，指向dataset/coco下的train2017与annotations/instances_train2017.json；
• EvalDataset指向val2017，TestDataset支持ImageFolder方式（anno_path也支持 txt 标注列表）。

runtime.yml 定义运行环境与导出参数：

• use_gpu/use_xpu/use_mlu/use_npu：选择计算设备；
• save_dir: output、snapshot_epoch: 1、log_iter: 20；
• export小节控制导出：post_process: True（导出时包含后处理）、nms: True（包含 NMS）、fuse_conv_bn: False。

3.3 优化器与学习率（3x 调度）

optimizer_3x.yml：

epoch: 36 LearningRate: base_lr: 0.02 schedulers: - !PiecewiseDecay gamma: 0.1 milestones: [24, 33] - !LinearWarmup start_factor: 0. steps: 1000 OptimizerBuilder: optimizer: momentum: 0.9 type: Momentum regularizer: factor: 0.0001 type: L2

• 共训练 36 个 epoch（3x 策略）；
• 基础学习率 0.02，采用 1000 步线性 warmup（从 0 起步），在第 24、33 epoch 处按 0.1 倍率衰减；
• 优化器为 Momentum（动量 0.9），配合 L2 权重衰减（factor 0.0001）。

3.4 模型结构：faster_rcnn_enhance.yml

这是 PSS-DET 的核心，见 faster_rcnn_enhance.yml。逐段解读：

整体架构

architecture: FasterRCNN pretrain_weights: https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_vd_ssld_v2_pretrained.pdparams FasterRCNN: backbone: ResNet neck: FPN rpn_head: RPNHead bbox_head: BBoxHead bbox_post_process: BBoxPostProcess

• pretrain_weights指向 SSLDv2 蒸馏得到的 ResNet50-vd 预训练权重，这是 PSS-DET 精度优势的基座；
• 检测头组件：RPN 候选框网络 + FPN 特征金字塔 + BBoxHead 两阶段分类回归 + 后处理。

骨干网络 ResNet（DCNv2 增强）

ResNet: depth: 50 norm_type: bn variant: d freeze_at: 0 return_idx: [0,1,2,3] num_stages: 4 dcn_v2_stages: [1,2,3] lr_mult_list: [0.05, 0.05, 0.1, 0.15]

• variant: d表示 ResNet-vd（ResNet-D 结构，stage 入口采用 1x1 卷积下采样，特征保留更好）；
• return_idx: [0,1,2,3]输出 res2~res5 四个阶段的特征图供 FPN 使用；
• dcn_v2_stages: [1,2,3]在 res3、res4、res5（索引从 0 开始，0 代表 res2）三个阶段启用 DCNv2 可变形卷积；
• lr_mult_list为各 stage 的倍率学习率（前两阶段 0.05，后两阶段 0.1/0.15），让骨干浅层缓慢更新、深层充分适配检测任务。

特征金字塔 FPN

FPN: in_channels: [256, 512, 1024, 2048] out_channel: 64

• 输入为 res2~res5 的通道数，输出通道压缩为 64，兼顾多尺度特征融合与计算量。

RPN 与 Proposal

RPNHead: anchor_generator: aspect_ratios: [0.5, 1.0, 2.0] anchor_sizes: [[32], [64], [128], [256], [512]] strides: [4, 8, 16, 32, 64] rpn_target_assign: batch_size_per_im: 256 fg_fraction: 0.5 negative_overlap: 0.3 positive_overlap: 0.7 use_random: True train_proposal: min_size: 0.0 nms_thresh: 0.7 pre_nms_top_n: 2000 post_nms_top_n: 2000 topk_after_collect: True test_proposal: min_size: 0.0 nms_thresh: 0.7 pre_nms_top_n: 500 post_nms_top_n: 300

• 五层金字塔各对应 5 组 anchor 尺寸（32~512），长宽比 0.5/1.0/2.0；
• RPN 训练时每张图采样 256 个 anchor（正样本比例 0.5），正负样本 IoU 阈值分别为 0.7/0.3；
• 训练时保留 2000 个 proposal，推理时先取 500 再 NMS 保留 300 个，兼顾召回与速度。

BBoxHead 与 Libra 分配

BBoxHead: head: TwoFCHead roi_extractor: resolution: 7 sampling_ratio: 0 aligned: True bbox_assigner: BBoxLibraAssigner bbox_loss: DIouLoss TwoFCHead: out_channel: 1024 BBoxLibraAssigner: batch_size_per_im: 512 bg_thresh: 0.5 fg_thresh: 0.5 fg_fraction: 0.25 use_random: True DIouLoss: loss_weight: 10.0 use_complete_iou_loss: true

• ROI 提取采用 aligned=True 的 RoIAlign，输出 7×7；
• 分类头为 TwoFCHead（1024 维）；
• BBoxLibraAssigner源自 Libra R-CNN 的平衡采样思路：每张图采样 512 个样本，正负样本阈值均为 0.5，正样本比例 0.25；
• 回归损失采用 DIoU Loss（loss_weight: 10.0，use_complete_iou_loss: true表示使用 CIoU 变体），对框回归的收敛更友好。

后处理

BBoxPostProcess: decode: RCNNBox nms: name: MultiClassNMS keep_top_k: 100 score_threshold: 0.05 nms_threshold: 0.5

• 解码后按类别做 MultiClassNMS，每个类别保留 Top-100，置信度阈值 0.05，NMS IoU 阈值 0.5。

3.5 数据读取器：faster_rcnn_enhance_reader.yml

reader 配置 定义训练/验证/测试三套读取管线：

• TrainReader：Decode→AutoAugment（autoaug_type v1）→RandomResize（在 384~672 十档短边中随机选择，保持长宽比，interp=2）→RandomFlip（0.5）→NormalizeImage（ImageNet 均值方差）→Permute；batch 级PadBatch（pad_to_stride 32），batch_size=2，shuffle、drop_last、use_shared_memory；
• EvalReader / TestReader：Decode→Resize（target_size 640×640，keep_ratio）→NormalizeImage→Permute，batch_size=1，测试时固定尺度、不打乱顺序。

多尺度随机训练（RandomResize）与固定尺度验证，是训练阶段精度与测试阶段稳定性的关键配置。

四、训练、验证与推理

QualityInspector 统一封装了检测训练/验证工具，见 docs/det_seg/train_eval.md，检测脚本位于tools/det/下。

4.1 训练

单卡训练：

python3 tools/det/train.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml --use_vdl=true --vdl_log_dir=./vdl_dir/scalar --eval

多卡训练：

CUDA_VISIBLE_DEVICES=0,1 python3 -m paddle.distributed.launch tools/det/train.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml --use_vdl=true --vdl_log_dir=./vdl_dir/scalar --eval

• --eval表示训练过程中周期性评估；--use_vdl与--vdl_log_dir用于 VisualDL 可视化；
• 训练产物默认保存在./output/faster_rcnn_enhance_r50_3x_coco/（由主配置的weights决定）；
• 若更换为其他质检数据集（如 Magnetic-tile-defect-datasets），只需将数据整理为 COCO 格式，并把num_classes、dataset_dir、anno_path等在 coco_detection.yml 中对应修改即可。

4.2 验证

python3 tools/det/eval.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml -o weights=./output/faster_rcnn_enhance_r50_3x_coco/model_final.pdparams

• -o可覆盖配置文件中的全局变量（此处覆盖weights指向最终权重）；
• 目前仅支持单卡评估；输出 COCO 风格的 mAP 结果（Box AP）。

4.3 推理

python3 tools/det/infer.py -c configs/det/rcnn_enhance/faster_rcnn_enhance_3x_coco.yml -o weights=... --infer_img=demo.jpg

• 单图使用--infer_img，目录批量推理使用--infer_dir；
• 推理后处理由配置中的BBoxPostProcess（MultiClassNMS）完成，可直接产出带框标注的检测结果。

五、在 QualityInspector 中的定位与延伸

PSS-DET 是 QualityInspector 检测算法库中的一员。QualityInspector 的定位是“工业质检全流程解决方案”，支持检测、分割、检测+RoI 分割串联等可配置方案。使用该方案时有几点提示：

• 配置即复用：QualityInspector 仅保留部分算法配置文件，但可直接将 PaddleDetection 中任意检测算法的 config 放入configs/det/使用（见 README.md 与 train_eval.md）；
• 对照参考：仓库中同目录下的 faster_rcnn、cascade_rcnn、mask_rcnn、dcn 等 README 展示了不同骨干（ResNet50-vd-SSLDv2、HRNet、Swin 等）与不同检测头（Cascade、Mask、DCN 系列）的搭配，可作为选型参考；
• 数据要求：该方案按 COCO 80 类训练；用于质检场景时需修改num_classes并准备对应 COCO 格式标注，同时可参考 缺陷检测数据集配置 了解内置的质检数据集配置形态。

六、总结

PSS-DET（RCNN 增强方案）通过SSLD 蒸馏的 ResNet50-vd 预训练 + FPN 多尺度融合 + DCNv2 可变形卷积 + Libra 平衡采样 + DIoU/CIoU 回归损失 + AutoAugment 与 3x 训练调度的组合，在 COCO 上实现了单卡 V100 约 61 FPS 的推理速度与 41.5 Box AP 的精度平衡，是面向服务器端部署的实用两阶段检测基线。对质检等垂直场景，可按本文第三节的配置解析逐项替换骨干、类别数与数据集路径，通过 QualityInspector 统一的训练/评估/推理工具快速完成从数据到模型的全流程落地。

• 人工智能
• 计算机视觉
• 预训练