基准测试与模型库¶
通用设置¶
我们默认使用分布式训练。
所有 pytorch 类型的预训练骨干网络都是来自 Pytorch 的模型库。
为了与其他代码库进行公平比较,我们以全部 8 个 GPU 的
torch.cuda.max_memory_allocated()
的最大值作为 GPU 显存使用量。请注意,此值通常小于nvidia-smi
显示的值。该推理时间不包含数据加载时间,推理时间结果是通过脚本
tools/analysis/benchmark.py
获得的,该脚本计算处理 2000 张图像的平均时间。速度基准测试的环境如下:
硬件环境:
8 NVIDIA Tesla V100 (32G) GPUs
Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz
软件环境:
Python 3.7
PyTorch 1.5
CUDA 10.1
CUDNN 7.6.03
NCCL 2.4.08
视频目标检测基线¶
DFF (CVPR 2017)¶
详情请参考 DFF。
FGFA (ICCV 2017)¶
详情请参考 FGFA。
SELSA (ICCV 2019)¶
详情请参考 SELSA。
Temporal RoI Align (AAAI 2021)¶
详情请参考 Temporal RoI Align。
多目标跟踪基线¶
SORT/DeepSORT (ICIP 2016/2017)¶
详情请参考 SORT/DeepSORT。
Tracktor (ICCV 2019)¶
详情请参考 Tracktor。
QDTrack (CVPR 2021)¶
详情请参考 QDTrack。
ByteTrack (ECCV 2022)¶
详情请参考 ByteTrack。
OC-SORT (ArXiv 2022)¶
详情请参考 OC-SORT。
单目标跟踪基线¶
SiameseRPN++ (CVPR 2019)¶
详情请参考 SiameseRPN++。
STARK (ICCV 2021)¶
详情请参考 STARK。
MixFormer (CVPR 2022)¶
详情请参考 MixFormer。
视频个例分割基线¶
MaskTrack R-CNN (ICCV 2019)¶
详情请参考 MaskTrack R-CNN。