PaddleDetection 中的 FCOS 全卷积单阶段检测器：模型配置、训练调优与源码原理解析

• 人工智能
• 深度学习
• 计算机视觉

FCOS（Fully Convolutional One-Stage Object Detection）是一种无锚框（anchor-free）的单阶段目标检测算法，通过逐像素（pixel-wise）预测分类与回归目标，省去了锚框设计与超参数调优的负担。本指南以 PaddleDetection 仓库中 configs/fcos/README.md 为骨架，结合 配置目录 下的全部真实配置文件与 ppdet/modeling/heads/fcos_head.py、ppdet/modeling/losses/fcos_loss.py、ppdet/data/transform/batch_operators.py 中的源码实现，系统讲解 FCOS 在 PaddleDetection 中的模型结构、COCO 模型库与精度、配置逐项拆解、训练/评估/推理全流程，以及 iou 质量分支、DCN、多尺度训练、SSLD 预训练等进阶调优方案。读完本文，你将能够独立复现官方 FCOS 基线，并在此基础上按需组合精度增强技巧。

1 FCOS 在 PaddleDetection 中的定位与整体结构

FCOS 将目标检测视为逐点（per-pixel）的稠密预测问题：对 FPN 输出的每一层特征图上的每个位置，直接回归"该点到目标框四边的距离"（l、t、r、b 四维），并预测类别与 centerness（中心度）分数，再通过后处理（阈值过滤 + NMS）得到最终检测框。

在 PaddleDetection 中，FCOS 的完整结构由 configs/fcos/base/fcos_r50_fpn.yml 定义，其组成如下：

architecture: FCOS pretrain_weights: https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_cos_pretrained.pdparams FCOS: backbone: ResNet neck: FPN fcos_head: FCOSHead

• architecture：指定整体架构为FCOS，对应 ppdet/modeling/architectures/fcos.py 中的装配逻辑；
• backbone：ResNet（默认 ResNet50，variant'b'）；
• neck：FPN，负责将骨干网络多尺度特征融合并补充 P5 以上的高层级特征；
• fcos_head：FCOSHead，即 FCOS 特有的检测头，在 ppdet/modeling/heads/fcos_head.py 中实现。

1.1 从源码看 FCOSHead 的组成

FCOSHead由__inject__ = ['fcos_feat', 'fcos_loss', 'nms']注入三个子模块（见 fcos_head.py）：

1. FCOSFeat：分类与回归两个共享 tower。默认每个 tower 由 4 个3x3卷积组成（num_convs: 4），卷积后接 ReLU 激活；norm_type: "gn"表示使用 GroupNorm，use_dcn可控制是否在 tower 中启用可变形卷积（见 fcos_head.py）；
2. 分类/回归输出层：fcos_head_cls输出num_classes通道的分类 logits，其 bias 初始化为-log((1-prior_prob)/prior_prob)，prior_prob: 0.01用于缓解正负样本严重不均衡导致的训练初期不稳定（见 fcos_head.py）；fcos_head_reg输出 4 维回归目标，fcos_head_centerness输出 1 维 centerness（或 iou）质量分数；
3. FCOSLoss：分类用 Focal Loss，回归用 IoU 系列损失（默认 GIoU），质量分支默认用 centerness 计算损失（见 fcos_loss.py）；
4. MultiClassNMS：NMS 后处理，配置在 fcos_r50_fpn.yml。

2 COCO 模型库与精度对照

configs/fcos/README.md 给出了 PaddleDetection 官方在 COCO train2017 上训练、COCO val2017 上评估的 FCOS 系列模型结果（推理环境：Tesla V100，每卡 2 张图）：

各配置对应的完整配置文件为：

• FCOS 基线：fcos_r50_fpn_1x_coco.yml
• FCOS + iou：fcos_r50_fpn_iou_1x_coco.yml
• FCOS + DCN：fcos_dcn_r50_fpn_1x_coco.yml
• FCOS + 多尺度训练：fcos_r50_fpn_multiscale_2x_coco.yml
• FCOS + 多尺度训练 + iou：fcos_r50_fpn_iou_multiscale_2x_coco.yml

从上表可以看出三个关键趋势：

1. iou 质量分支替代 centerness 可带来约 0.4 AP 的提升；
2. DCN（可变形卷积）是提升最大的单项技巧，基线 39.6 直接提升到 44.3 AP（+4.7），代价是推理速度与显存开销；
3. **多尺度训练（2x 调度）**在 1x 基础上额外带来约 2 AP 的提升，且可与 iou 分支叠加。

需要注意，上表推理时间(fps)在原文档中未给出具体数值，说明官方未在当前模型库中公布该批模型的实测 fps；实际推理速度与硬件、输入尺寸、批大小强相关，不应引用未经验证的数值。

3 配置文件逐项拆解

FCOS 系列配置采用 PaddleDetection 的_BASE_继承机制，以 fcos_r50_fpn_1x_coco.yml 为例：

_BASE_: [ '../datasets/coco_detection.yml', '../runtime.yml', '_base_/fcos_r50_fpn.yml', '_base_/optimizer_1x.yml', '_base_/fcos_reader.yml', ] weights: output/fcos_r50_fpn_1x_coco/model_final

继承链说明：

• configs/datasets/coco_detection.yml：COCO 数据集路径、类别数（80）与 train/val 标注；
• configs/runtime.yml：训练轮次快照、日志、VisualDL 等运行时配置；
• base/fcos_r50_fpn.yml：FCOS 模型结构（backbone/neck/head/损失/NMS）；
• base/optimizer_1x.yml：1x（12 epoch）学习率调度与优化器；
• base/fcos_reader.yml：数据读取与预处理流水线。

weights指定训练完成后保存的模型路径（model_final），训练结束后在output目录下生成。

3.1 骨干网络与 FPN：模型结构基座

base/fcos_r50_fpn.yml 中 backbone 与 neck 配置如下：

ResNet: depth: 50 variant: 'b' norm_type: bn freeze_at: 0 # res2 return_idx: [1, 2, 3] num_stages: 4 FPN: out_channel: 256 spatial_scales: [0.125, 0.0625, 0.03125] extra_stage: 2 has_extra_convs: True use_c5: False

要点解析：

• freeze_at: 0：默认不冻结任何 stage，# res2注释提示若需冻结可将值设为 1；
• return_idx: [1, 2, 3]：返回 ResNet 第 2、3、4 个 stage 的特征图，对应下采样 8x/16x/32x，即spatial_scales: [0.125, 0.0625, 0.03125]；
• extra_stage: 2：在 P5 之上再额外生成 P6（64x stride）与 P7（128x stride）两层特征，与fpn_stride: [8, 16, 32, 64, 128]对应；
• has_extra_convs: True：额外层级使用 1x1 卷积降维并参与上采样融合，保证特征一致性；
• use_c5: False：不直接使用 C5 作为 P5，而是从 C4 上采样得到 P5（原版 FCOS 的做法）。

3.2 FCOSHead：检测头细节

FCOSHead: fcos_feat: name: FCOSFeat feat_in: 256 feat_out: 256 num_convs: 4 norm_type: "gn" use_dcn: False fpn_stride: [8, 16, 32, 64, 128] prior_prob: 0.01 norm_reg_targets: True centerness_on_reg: True num_shift: 0.5 fcos_loss: name: FCOSLoss loss_alpha: 0.25 loss_gamma: 2.0 iou_loss_type: "giou" reg_weights: 1.0 nms: name: MultiClassNMS nms_top_k: 1000 keep_top_k: 100 score_threshold: 0.025 nms_threshold: 0.6

各参数含义与作用：

值得说明的是，FCOS 的回归目标在Gt2FCOSTarget中生成。该算子（见 batch_operators.py）通过object_sizes_boundary构造各层级的"感兴趣目标尺寸区间"（[-1, 64]、[64, 128]、[128, 256]、[256, 512]、[512, inf)），将不同大小的目标分配给不同 stride 的特征层；center_sampling_radius: 1.5表示仅在目标中心 1.5 倍 stride 范围内采样正样本，这是 FCOS 降低低质量预测框的关键设计。

3.3 数据读取与预处理：Reader 配置

base/fcos_reader.yml 定义了训练/评估/测试三套数据流水线：

worker_num: 2 TrainReader: sample_transforms: - Decode: {} - Resize: {target_size: [800, 1333], keep_ratio: True, interp: 1} - NormalizeImage: {mean: [0.485, 0.456, 0.406], std: [0.229, 0.224, 0.225], is_scale: True} - RandomFlip: {} batch_transforms: - Permute: {} - PadBatch: {pad_to_stride: 128} - Gt2FCOSTarget: object_sizes_boundary: [64, 128, 256, 512] center_sampling_radius: 1.5 downsample_ratios: [8, 16, 32, 64, 128] norm_reg_targets: True batch_size: 2 shuffle: True drop_last: True use_shared_memory: True

关键点：

• 训练输入尺寸：Resize: {target_size: [800, 1333], keep_ratio: True}表示短边缩放到 800、长边不超过 1333，保持宽高比；
• 归一化：使用 ImageNet 统计的 mean/std（0.485,0.456,0.406/0.229,0.224,0.225），is_scale: True表示除以 255；
• PadBatch 对齐：pad_to_stride: 128将 batch 内图像 padding 到 128 的整数倍，与五层特征最大 stride 128 对齐，保证特征图尺寸整数化；而fcos_r50_fpn_iou_1x_coco.yml中该值改为 32，可显著节省 padding 带来的显存与计算开销；
• Gt2FCOSTarget：在 batch 维度为每个采样点生成分类标签、回归目标与中心度标签，downsample_ratios必须与fcos_feat.fpn_stride保持一致；
• EvalReader / TestReader：均不包含RandomFlip与Gt2FCOSTarget，测试时fuse_normalize: True将归一化融合进模型中，便于导出推理。

3.4 优化器与学习率：1x 与 2x 调度

base/optimizer_1x.yml 定义了 1x（12 epoch）调度：

epoch: 12 LearningRate: base_lr: 0.01 schedulers: - !PiecewiseDecay gamma: 0.1 milestones: [8, 11] - !LinearWarmup start_factor: 0.3333333333333333 steps: 500 OptimizerBuilder: optimizer: momentum: 0.9 type: Momentum regularizer: factor: 0.0001 type: L2

要点：

• base_lr: 0.01是适配8 卡训练的学习率；若改用单卡训练，应相应缩小学习率（官方建议除以 8），否则容易发散；
• 前 500 步线性 warmup（起始系数 1/3），在第 8 与第 11 个 epoch 各衰减 0.1 倍；
• 优化器为带 0.9 动量的 Momentum，配合 0.0001 的 L2 权重衰减。

多尺度训练配置 fcos_r50_fpn_multiscale_2x_coco.yml 将调度改为 2x（24 epoch），milestones: [16, 22]，同时把训练Resize替换为多尺度随机采样：

- RandomResize: {target_size: [[640, 1333], [672, 1333], [704, 1333], [736, 1333], [768, 1333], [800, 1333]], keep_ratio: True, interp: 1}

即短边在 640~800 之间按 32 像素步长随机取值，增强模型对尺度变化的鲁棒性。注意评估/推理仍使用固定 800x1333 输入，保证与官方精度可比。

4 实战：训练、评估与推理

以下命令均基于 PaddleDetection 官方安装流程（参考 INSTALL_cn.md），在项目根目录下执行。当前仓库中该系列配置均以 COCO 数据集为前提，训练前需先按 configs/datasets/coco_detection.yml 中的路径放置好数据（可通过 dataset/coco/download_coco.py 下载）。

4.1 训练

单卡训练 FCOS 基线：

export CUDA_VISIBLE_DEVICES=0 python tools/train.py -c configs/fcos/fcos_r50_fpn_1x_coco.yml

多卡训练（8 卡，与官方学习率匹配）：

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py -c configs/fcos/fcos_r50_fpn_1x_coco.yml

常用参数：

• -o：命令行覆盖配置项，例如-o LearningRate.base_lr=0.00125适配单卡训练；
• -r output/fcos_r50_fpn_1x_coco/10000：从指定 checkpoint 恢复训练；
• --eval：边训练边评估，评估在每个 epoch 结束后进行，最优 mAP 模型保存到best_model目录；
• --use_vdl=True --vdl_log_dir=vdl_dir/scalar：开启 VisualDL 可视化训练曲线与 mAP 趋势。

4.2 评估

使用官方预训练权重评估（也可替换为本地weights=output/fcos_r50_fpn_1x_coco/model_final）：

export CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/fcos/fcos_r50_fpn_1x_coco.yml \ -o weights=https://paddledet.bj.bcebos.com/models/fcos_r50_fpn_1x_coco.pdparams

如需输出 COCO 格式的 json 结果文件，可追加--json_eval（结果文件须命名为bbox.json或mask.json）。评估默认加载配置中weights指定的最后一轮模型。

4.3 推理

对单张图片推理：

python tools/infer.py -c configs/fcos/fcos_r50_fpn_1x_coco.yml \ --infer_img=demo/000000014439.jpg \ -o weights=https://paddledet.bj.bcebos.com/models/fcos_r50_fpn_1x_coco.pdparams

常用参数：

• --infer_dir：对目录下所有图片批量推理；
• --output_dir=infer_output/：指定结果输出目录；
• --draw_threshold=0.5：可视化时仅绘制分数高于该阈值的框（注意与配置中 NMS 的score_threshold是两回事）；
• --use_vdl=True：推理结果可通过 VisualDL 查看。

5 进阶调优：iou 质量分支、DCN 与 SSLD 预训练

5.1 iou 质量分支（FCOS + iou）

原版 FCOS 使用 centerness（中心度）作为质量分数，训练时对质量分数计算 BCE 损失。PaddleDetection 提供的quality: "iou"变体（见 fcos_r50_fpn_iou_1x_coco.yml）改为使用预测框与真值框的 IoU作为质量分支的学习目标，使质量分数与最终框定位质量直接对齐，从而在 NMS 阶段更准确地排序候选框：

FCOSHead: fcos_loss: name: FCOSLoss loss_alpha: 0.25 loss_gamma: 2.0 iou_loss_type: "giou" reg_weights: 1.0 quality: "iou" # default 'centerness'

从源码看，FCOSLoss构造函数中quality参数默认值为'centerness'，当设为'iou'时质量分支的监督信号由 centerness 切换为 IoU（见 fcos_loss.py）。官方 1x 配置下该改动带来约 0.4 AP 的提升，且几乎不增加计算量，是性价比最高的单项优化。

5.2 可变形卷积（FCOS + DCN）

fcos_dcn_r50_fpn_1x_coco.yml 仅通过两处增量开启 DCN：

ResNet: dcn_v2_stages: [1, 2, 3] FCOSHead: fcos_feat: use_dcn: True

• dcn_v2_stages: [1, 2, 3]：在 ResNet 的第 2~4 个 stage（索引 1、2、3）的 3x3 卷积上替换为 DCNv2；
• use_dcn: True：同时在 FCOS 分类/回归 tower 的卷积中启用 DCN。

DCN 通过可学习的偏移量让卷积核自适应目标几何形变，官方结果从 39.6 提升到 44.3 AP，但会明显增加显存占用与计算量，部署前需结合实际硬件评估。

5.3 SSLD 预训练权重（R50-vd 方案）

原 README 特别提示：PaddleDetection 默认使用R50-vb预训练（ResNet50_cos_pretrained.pdparams，见 fcos_r50_fpn.yml）。如果改用R50-vd结合 SSLD 蒸馏预训练模型，可进一步显著提升检测精度，同时需要同步修改 backbone 配置：

pretrain_weights: https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_vd_ssld_v2_pretrained.pdparams ResNet: depth: 50 variant: d norm_type: bn freeze_at: 0 return_idx: [1, 2, 3] num_stages: 4 lr_mult_list: [0.05, 0.05, 0.1, 0.15]

其中variant: d将骨干切换为 ResNet-vd 结构；lr_mult_list按 stage 设置不同的学习率倍率（浅层更小、深层更大），这是迁移 SSLD 预训练权重时的推荐做法。关于 SSLD 预训练模型与精度收益的完整说明，可参考 docs/feature_models/SSLD_PRETRAINED_MODEL.md。

5.4 组合策略：multiscale_train + iou

fcos_r50_fpn_iou_multiscale_2x_coco.yml 将多尺度训练（2x）与 iou 质量分支组合，达到 42.6 AP，为当前模型库中（不含 DCN）精度最高的配置。其与 multiscale 单变体的差异仅在quality: "iou"与PadBatch.pad_to_stride: 32，说明各增强技巧可自由叠加，用户可按精度/速度权衡自由组合。

6 半监督扩展与引用

6.1 基于 FCOS 的半监督检测：DenseTeacher

原 README 指出，基于 FCOS 的半监督检测方法DenseTeacher可以直接复用 configs/semi_det/denseteacher 下的配置，利用无标签数据进一步提升检测性能。该目录提供了以 FCOS 系列为检测头（基于FCOSHead_ARSL等扩展，见 ppdet/modeling/heads/fcos_head.py）的半监督训练方案，适合标注数据不足、但拥有大量无标注数据的场景。

6.2 引用

若在学术工作中使用 FCOS，请引用原论文（ICCV 2019）：

@inproceedings{tian2019fcos, title = {{FCOS}: Fully Convolutional One-Stage Object Detection}, author = {Tian, Zhi and Shen, Chunhua and Chen, Hao and He, Tong}, booktitle = {Proc. Int. Conf. Computer Vision (ICCV)}, year = {2019} }

7 关键文件索引

• 人工智能
• 深度学习
• 计算机视觉