如何用 Detectron2 analyze_model.py 分析模型的 FLOPs、参数量和激活量-平芜编程栈

如何用 Detectron2 analyze_model.py 分析模型的 FLOPs、参数量和激活量

【免费下载链接】detectron2Detectron2 is a platform for object detection, segmentation and other visual recognition tasks.项目地址: https://gitcode.com/GitHub_Trending/de/detectron2

当你需要评估一个 detectron2 检测模型的计算开销——FLOPs、参数量、激活量——时，项目自带的 analyze_model.py 可以直接完成这项分析，无需自己写统计脚本。本文以mask_rcnn_R_50_FPN_1x.yaml为例，说明三种统计任务的执行方式和输出含义。

适用前提（来自 INSTALL.md）：Linux 或 macOS、Python ≥ 3.7、PyTorch ≥ 1.8；脚本本身还要求单 GPU 运行（代码中有assert args.num_gpus == 1），且flop与activation任务依赖测试数据集。

准备环境

按 INSTALL.md 安装 detectron2 即可，本地克隆方式：

git clone https://github.com/facebookresearch/detectron2.git python -m pip install -e detectron2

从源码构建需要 gcc & g++ ≥ 5.4。如果你刚重装过 PyTorch，需要先清掉旧的build/和**/*.so再重新构建，否则可能遇到TH..、at::Tensor等符号缺失或段错误（INSTALL.md 列出的常见问题）。

flop和activation任务会从配置的DATASETS.TEST[0]构建测试数据加载器。以本文用的 mask_rcnn_R_50_FPN_1x.yaml 为例，它继承的 Base-RCNN-FPN.yaml 中DATASETS.TEST是("coco_2017_val",)，所以你需要先准备好该数据集，并可通过环境变量指定内置数据集位置：

export DETECTRON2_DATASETS=/path/to/datasets

其中/path/to/datasets替换为你的数据集根目录（见 datasets/README.md）。

统计参数量：不需要数据集和权重

四种任务中parameter最轻量，只需要配置文件。脚本 epilog 给出的官方示例：

cd tools/ ./analyze_model.py --tasks parameter \ --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml

脚本会构建模型并输出Parameter Count:加一张按模块分层的参数统计表（源码中parameter_count_table(model, max_depth=5)，即最多展开 5 层）。看到这张分层参数表即表示任务完成。

统计 FLOPs：需要准备测试数据

FLOPs 是数据相关的——detectron2/utils/analysis.py 的文档明确说明：检测模型的 FLOPs 取决于输入，box & mask head 的开销取决于 proposal 数量和检测到的目标数量，因此单个样本的统计可能不能准确反映计算成本，建议在多个输入上取平均。

命令（来自 tools/analyze_model.py 的官方示例，注意MODEL.WEIGHTS后面的路径需替换为你自己的模型权重文件）：

cd tools/ ./analyze_model.py --num-inputs 100 --tasks flop \ --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \ MODEL.WEIGHTS /path/to/model.pkl

--num-inputs（默认 100）控制用于统计的输入数量，FLOPs 和激活量都依赖它；
MODEL.WEIGHTS /path/to/model.pkl中的.pkl路径替换为实际权重文件。不传时，脚本会使用配置文件里的默认权重地址（本例是detectron2://ImageNetPretrained/MSRA/R-50.pkl），由 detectron2 自行下载。

脚本运行后通过日志给出三部分结果（均为文档中的输出格式，数值随模型和数据而定）：

Flops table computed from only one input sample——仅基于单个输入样本的按算子 FLOPs 表（来自 fvcore 的flop_count_table）；
Average GFlops for each type of operators——各类型算子的平均 GFlops；
Total GFlops: 均值±标准差——在--num-inputs个输入上的总 GFlops 统计量。

统计激活量：与 FLOPs 相同的数据依赖

activation任务的输入要求与flop完全相同（测试数据集 + 模型权重），可复用上面同一条命令，只把任务换成activation：

cd tools/ ./analyze_model.py --num-inputs 100 --tasks activation \ --config-file ../configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_1x.yaml \ MODEL.WEIGHTS /path/to/model.pkl

输出同样是文档中定义的两段：(Million) Activations for Each Type of Operators（各算子类型的百万激活量）和Total (Million) Activations: 均值±标准差。

四个任务（flop、activation、parameter、structure）也可以一次指定多个，--tasks接受多个值。structure任务打印完整模型结构，适合在统计前先确认构建出的模型是否符合预期。

理解统计口径与局限

被忽略的算子：analysis.py 中的FlopCountAnalysis会跳过一组逐元素和归约类算子（_IGNORED_OPS，如aten::add、aten::batch_norm、aten::sigmoid等），并且torchvision::nms目前不做 FLOPs 估计。所以统计值反映的是卷积等主体算子的开销，不是网络的全部逐算子计算量。
数据依赖性：单次输入的 FLOPs/激活量只作单样本参考；脚本最终报告的是多输入上的均值±标准差，跨模型比较时应使用同一--num-inputs和同一测试集。
单 GPU 限制：脚本断言num_gpus == 1且不能带--eval-only，多卡场景下直接用单卡跑统计即可。

完成一次flop任务后，如果你还想继续测量训练/推理/数据加载的速度，可以参考同目录的 benchmark.py（用法见 tools/README.md）。

【免费下载链接】detectron2Detectron2 is a platform for object detection, segmentation and other visual recognition tasks.项目地址: https://gitcode.com/GitHub_Trending/de/detectron2

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考