Modify to fit the dygraph
gaotingquan
parent
8bd822bc9a
commit
69f602e277
|
|
@ -1,185 +1,243 @@
|
|||
# 开始使用
|
||||
---
|
||||
请事先参考[安装指南](install.md)配置运行环境，并根据[数据说明](./data.md)文档准备ImageNet1k数据，本章节下面所有的实验均以ImageNet1k数据集为例。
|
||||
请参考[安装指南](./install.md)配置运行环境，并根据[快速开始](./quick_start)文档准备flower102数据集，本章节下面所有的实验均以flower102数据集为例。
|
||||
|
||||
## 1. Windows或者CPU上训练与评估
|
||||
PaddleClas目前支持的训练/评估环境如下：
|
||||
```shell
|
||||
└── CPU/单卡GPU
|
||||
├── Linux
|
||||
└── Windows
|
||||
|
||||
如果在windows系统或者CPU上进行训练与评估，推荐使用`tools/train_multi_platform.py`与`tools/eval_multi_platform.py`脚本。
|
||||
└── 多卡GPU
|
||||
└── Linux
|
||||
```
|
||||
|
||||
## 1. 基于CPU/单卡GPU上的训练与评估
|
||||
|
||||
在基于CPU/单卡GPU上训练与评估，推荐使用`tools/train.py`与`tools/eval.py`脚本。关于Linux平台多卡GPU环境下的训练与评估，请参考[2. 基于Linux+GPU的模型训练与评估](#2)。
|
||||
|
||||
<a name="1.1"></a>
|
||||
### 1.1 模型训练
|
||||
|
||||
准备好配置文件之后，可以使用下面的方式启动训练。
|
||||
|
||||
```
|
||||
python tools/train_multi_platform.py \
|
||||
-c configs/ResNet/ResNet50.yaml \
|
||||
-o model_save_dir=./output/ \
|
||||
python tools/train.py \
|
||||
-c configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml \
|
||||
-o pretrained_model="" \
|
||||
-o use_gpu=True
|
||||
```
|
||||
|
||||
其中，`-c`用于指定配置文件的路径，`-o`用于指定需要修改或者添加的参数，`-o model_save_dir=./output/`表示将配置文件中的`model_save_dir`修改为`./output/`。`-o use_gpu=True`表示使用GPU进行训练。如果希望使用CPU进行训练，则需要将`use_gpu`设置为`False`。
|
||||
其中，`-c`用于指定配置文件的路径，`-o`用于指定需要修改或者添加的参数，其中`-o pretrained_model=""`表示不使用预训练模型，`-o use_gpu=True`表示使用GPU进行训练。如果希望使用CPU进行训练，则需要将`use_gpu`设置为`False`。
|
||||
|
||||
也可以直接修改模型对应的配置文件更新配置。具体配置参数参考[配置文档](config.md)。
|
||||
更详细的训练配置，也可以直接修改模型对应的配置文件。具体配置参数参考[配置文档](config.md)。
|
||||
|
||||
* 输出日志示例如下：
|
||||
运行上述命令，可以看到输出日志，示例如下：
|
||||
|
||||
* 如果在训练使用了mixup或者cutmix的数据增广方式，那么日志中只会打印出loss(损失)、lr(学习率)以及该minibatch的训练时间。
|
||||
* 如果在训练中使用了mixup或者cutmix的数据增广方式，那么日志中只会打印出loss(损失)、lr(学习率)以及该minibatch的训练时间。
|
||||
|
||||
```
|
||||
train step:890 loss: 6.8473 lr: 0.100000 elapse: 0.157s
|
||||
```
|
||||
|
||||
* 如果训练过程中没有使用mixup或者cutmix的数据增广，那么除了loss(损失)、lr(学习率)以及该minibatch的训练时间之外，日志中也会打印出top-1与top-k(默认为5)的信息。
|
||||
* 如果训练过程中没有使用mixup或者cutmix的数据增广，那么除了loss(损失)、lr(学习率)以及该minibatch的训练时间之外，日志中也会打印出top-1与top-k(默认为5)的信息。
|
||||
|
||||
```
|
||||
epoch:0 train step:13 loss:7.9561 top1:0.0156 top5:0.1094 lr:0.100000 elapse:0.193s
|
||||
```
|
||||
|
||||
训练期间可以通过VisualDL实时观察loss变化，启动命令如下：
|
||||
|
||||
```bash
|
||||
visualdl --logdir ./scalar --host <host_IP> --port <port_num>
|
||||
```
|
||||
训练期间也可以通过VisualDL实时观察loss变化，详见[VisualDL](https://github.com/PaddlePaddle/VisualDL)。
|
||||
|
||||
### 1.2 模型微调
|
||||
|
||||
* 根据自己的数据集配置好配置文件之后，可以通过加载预训练模型进行微调，如下所示。
|
||||
根据自己的数据集路径设置好配置文件后，可以通过加载预训练模型的方式进行微调，如下所示。
|
||||
|
||||
```
|
||||
python tools/train_multi_platform.py \
|
||||
-c configs/ResNet/ResNet50.yaml \
|
||||
-o pretrained_model="./pretrained/ResNet50_pretrained"
|
||||
python tools/train.py \
|
||||
-c configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml \
|
||||
-o pretrained_model="./pretrained/MobileNetV3_large_x1_0_pretrained" \
|
||||
-o use_gpu=True
|
||||
```
|
||||
|
||||
其中`pretrained_model`用于设置加载预训练权重的地址，使用时需要换成自己的预训练模型权重路径，也可以直接在配置文件中修改该路径。
|
||||
其中`-o pretrained_model`用于设置加载预训练模型权重文件的地址，使用时需要换成自己的预训练模型权重文件的路径，也可以直接在配置文件中修改该路径。
|
||||
|
||||
我们也提供了大量基于`ImageNet-1k`数据集的预训练模型，模型列表及下载地址详见[模型库概览](../models/models_intro.md)。
|
||||
|
||||
<a name="1.3"></a>
|
||||
### 1.3 模型恢复训练
|
||||
|
||||
* 如果训练任务因为其他原因被终止，也可以加载断点权重继续训练。
|
||||
如果训练任务因为其他原因被终止，也可以加载断点权重文件，继续训练：
|
||||
|
||||
```
|
||||
python tools/train_multi_platform.py \
|
||||
-c configs/ResNet/ResNet50.yaml \
|
||||
-o checkpoints="./output/ResNet/0/ppcls"
|
||||
python tools/train.py \
|
||||
-c configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml \
|
||||
-o checkpoints="./output/MobileNetV3_large_x1_0_gpupaddle/0/ppcls" \
|
||||
-o last_epoch=5 \
|
||||
-o use_gpu=True
|
||||
```
|
||||
|
||||
其中配置文件不需要做任何修改，只需要在训练时添加`checkpoints`参数即可，表示加载的断点权重路径，使用该参数会同时加载保存的断点权重和学习率、优化器等信息。
|
||||
其中配置文件不需要做任何修改，只需要在继续训练时设置`checkpoints`参数即可，表示加载的断点权重文件路径，使用该参数会同时加载保存的断点权重和学习率、优化器等信息。
|
||||
|
||||
**注意**：
|
||||
* 参数`-o last_epoch=5`表示将上一次训练轮次数记为`5`，即本次训练轮次数从`6`开始计算。
|
||||
|
||||
* `-o checkpoints`参数无需包含断点权重文件的后缀名，上述训练命令会在训练过程中生成如下所示的断点权重文件，若想从断点`0`继续训练，则`checkpoints`参数只需设置为`"./output/MobileNetV3_large_x1_0_gpupaddle/0/ppcls"`，PaddleClas会自动补充后缀名。
|
||||
```shell
|
||||
output/
|
||||
└── MobileNetV3_large_x1_0
|
||||
├── 0
|
||||
│ ├── ppcls.pdopt
|
||||
│ └── ppcls.pdparams
|
||||
├── 1
|
||||
│ ├── ppcls.pdopt
|
||||
│ └── ppcls.pdparams
|
||||
.
|
||||
.
|
||||
.
|
||||
```
|
||||
|
||||
<a name="1.4"></a>
|
||||
### 1.4 模型评估
|
||||
|
||||
* 可以通过以下命令完成模型评估。
|
||||
可以通过以下命令进行模型评估。
|
||||
|
||||
```bash
|
||||
python tools/eval_multi_platform.py \
|
||||
python tools/eval.py \
|
||||
-c ./configs/eval.yaml \
|
||||
-o ARCHITECTURE.name="ResNet50_vd" \
|
||||
-o ARCHITECTURE.name="MobileNetV3_large_x1_0" \
|
||||
-o pretrained_model=path_to_pretrained_models
|
||||
```
|
||||
|
||||
可以更改`configs/eval.yaml`中的`ARCHITECTURE.name`字段和`pretrained_model`字段来配置评估模型，也可以通过-o参数更新配置。
|
||||
|
||||
**注意：** 加载预训练模型时，需要指定预训练模型的前缀，例如预训练模型参数所在的文件夹为`output/ResNet50_vd/19`，预训练模型参数的名称为`output/ResNet50_vd/19/ppcls.pdparams`，则`pretrained_model`参数需要指定为`output/ResNet50_vd/19/ppcls`，PaddleClas会自动补齐`.pdparams`的后缀。
|
||||
可以通过更改`configs/eval.yaml`中的`ARCHITECTURE.name`参数和`pretrained_model`参数来配置评估模型，也可以通过`-o`参数更新配置，如上所示。
|
||||
|
||||
**注意：** 加载预训练模型时，需要指定预训练模型文件的路径，但无需包含文件后缀名，PaddleClas会自动补齐`.pdparams`的后缀，如[1.3 模型恢复训练](#1.3)。
|
||||
|
||||
<a name="2"></a>
|
||||
## 2. 基于Linux+GPU的模型训练与评估
|
||||
|
||||
如果机器环境为Linux+GPU，那么推荐使用PaddleClas 提供的模型训练与评估脚本：`tools/train.py`和`tools/eval.py`，可以更快地完成训练与评估任务。
|
||||
如果机器环境为Linux+GPU，那么推荐使用`paddle.distributed.launch`启动模型训练脚本（`tools/train.py`）、评估脚本（`tools/eval.py`），可以更方便地启动多卡训练与评估。
|
||||
|
||||
### 2.1 模型训练
|
||||
|
||||
按照如下方式启动模型训练。
|
||||
参考如下方式启动模型训练，`paddle.distributed.launch`通过设置`selected_gpus`指定GPU运行卡号：
|
||||
|
||||
```bash
|
||||
# PaddleClas通过launch方式启动多卡多进程训练
|
||||
# 通过设置FLAGS_selected_gpus 指定GPU运行卡号
|
||||
|
||||
export CUDA_VISIBLE_DEVICES=0,1,2,3
|
||||
|
||||
python -m paddle.distributed.launch \
|
||||
--selected_gpus="0,1,2,3" \
|
||||
tools/train.py \
|
||||
-c ./configs/ResNet/ResNet50_vd.yaml
|
||||
-c ./configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml
|
||||
```
|
||||
|
||||
可以通过添加-o参数来更新配置：
|
||||
其中，`-c`用于指定配置文件的路径，可通过配置文件修改相关训练配置信息，也可以通过添加`-o`参数来更新配置：
|
||||
|
||||
```bash
|
||||
python -m paddle.distributed.launch \
|
||||
--selected_gpus="0,1,2,3" \
|
||||
tools/train.py \
|
||||
-c ./configs/ResNet/ResNet50_vd.yaml \
|
||||
-o use_mix=1 \
|
||||
--vdl_dir=./scalar/
|
||||
-c ./configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml \
|
||||
-o pretrained_model="" \
|
||||
-o use_gpu=True
|
||||
```
|
||||
`-o`用于指定需要修改或者添加的参数，其中`-o pretrained_model=""`表示不使用预训练模型，`-o use_gpu=True`表示使用GPU进行训练。
|
||||
|
||||
输出日志信息的格式同上。
|
||||
输出日志信息的格式同上，详见[1.1 模型训练](#1.1)。
|
||||
|
||||
### 2.2 模型微调
|
||||
|
||||
* 根据自己的数据集配置好配置文件之后，可以通过加载预训练模型进行微调，如下所示。
|
||||
根据自己的数据集配置好配置文件之后，可以加载预训练模型进行微调，如下所示。
|
||||
|
||||
```
|
||||
export CUDA_VISIBLE_DEVICES=0,1,2,3
|
||||
|
||||
python -m paddle.distributed.launch \
|
||||
--selected_gpus="0,1,2,3" \
|
||||
tools/train.py \
|
||||
-c configs/ResNet/ResNet50.yaml \
|
||||
-o pretrained_model="./pretrained/ResNet50_pretrained"
|
||||
-c ./configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml \
|
||||
-o pretrained_model="./pretrained_model/ \ MobileNetV3_large_x1_0_pretrained"
|
||||
```
|
||||
|
||||
其中`pretrained_model`用于设置加载预训练权重的地址，使用时需要换成自己的预训练模型权重路径，也可以直接在配置文件中修改该路径。
|
||||
其中`pretrained_model`用于设置加载预训练权重文件的路径，使用时需要换成自己的预训练模型权重文件路径，也可以直接在配置文件中修改该路径。
|
||||
|
||||
* [30分钟玩转PaddleClas教程](./quick_start.md)中包含大量模型微调的示例，可以参考该章节在特定的数据集上进行模型微调。
|
||||
[30分钟玩转PaddleClas教程](./quick_start.md)中包含大量模型微调的示例，可以参考该章节在特定的数据集上进行模型微调。
|
||||
|
||||
|
||||
### 2.3 模型恢复训练
|
||||
|
||||
* 如果训练任务，因为其他原因被终止，也可以加载断点权重继续训练。
|
||||
如果训练任务因为其他原因被终止，也可以加载断点权重文件继续训练。
|
||||
|
||||
```
|
||||
export CUDA_VISIBLE_DEVICES=0,1,2,3
|
||||
|
||||
python -m paddle.distributed.launch \
|
||||
--selected_gpus="0,1,2,3" \
|
||||
tools/train.py \
|
||||
-c configs/ResNet/ResNet50.yaml \
|
||||
-c ./configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml \
|
||||
-o checkpoints="./output/ResNet/0/ppcls"
|
||||
-o last_epoch=5 \
|
||||
-o use_gpu=True
|
||||
```
|
||||
|
||||
其中配置文件不需要做任何修改，只需要在训练时添加`checkpoints`参数即可，表示加载的断点权重路径，使用该参数会同时加载保存的模型参数权重和学习率、优化器等信息。
|
||||
其中配置文件不需要做任何修改，只需要在训练时设置`checkpoints`参数与`last_epoch`参数即可，该参数表示加载的断点权重文件路径，使用该参数会同时加载保存的模型参数权重和学习率、优化器等信息，详见[1.3 模型恢复训练](#1.3)。
|
||||
|
||||
|
||||
### 2.4 模型评估
|
||||
|
||||
* 可以通过以下命令完成模型评估。
|
||||
可以通过以下命令进行模型评估。
|
||||
|
||||
```bash
|
||||
python -m paddle.distributed.launch \
|
||||
--selected_gpus="0" \
|
||||
tools/eval.py \
|
||||
-c ./configs/eval.yaml \
|
||||
-o ARCHITECTURE.name="ResNet50_vd" \
|
||||
-o ARCHITECTURE.name="MobileNetV3_large_x1_0" \
|
||||
-o pretrained_model=path_to_pretrained_models
|
||||
```
|
||||
|
||||
可以更改configs/eval.yaml中的`ARCHITECTURE.name`字段和pretrained_model字段来配置评估模型，也可以通过-o参数更新配置。
|
||||
参数说明详见[1.4 模型评估](#1.4)。
|
||||
|
||||
|
||||
## 三、模型推理
|
||||
## 3. 模型推理
|
||||
|
||||
PaddlePaddle提供三种方式进行预测推理，接下来介绍如何用预测引擎进行推理：
|
||||
首先，对训练好的模型进行转换：
|
||||
|
||||
```bash
|
||||
python tools/export_model.py \
|
||||
--model=模型名字 \
|
||||
--pretrained_model=预训练模型路径 \
|
||||
--output_path=预测模型保存路径
|
||||
|
||||
--model=MobileNetV3_large_x1_0 \
|
||||
--pretrained_model=./output/MobileNetV3_large_x1_0/best_model/ppcls \
|
||||
--output_path=./exported_model
|
||||
```
|
||||
之后，通过预测引擎进行推理：
|
||||
|
||||
其中，参数`--model`用于指定模型名称，`--pretrained_model`用于指定模型文件路径，该路径仍无需包含模型文件后缀名（如[1.3 模型恢复训练](#1.3)），`--output_path`用于指定转换后模型的存储路径。
|
||||
|
||||
**注意**：文件`export_model.py:53`中，`shape`参数为模型输入图像的`shape`，默认为`224*224`，请根据实际情况修改，如下所示：
|
||||
```python
|
||||
50 # Please modify the 'shape' according to actual needs
|
||||
51 @to_static(input_spec=[
|
||||
52 paddle.static.InputSpec(
|
||||
53 shape=[None, 3, 224, 224], dtype='float32')
|
||||
54 ])
|
||||
```
|
||||
|
||||
上述命令将生成模型结构文件（`__model__`）和模型权重文件（`__variables__`），然后可以使用预测引擎进行推理：
|
||||
|
||||
```bash
|
||||
python tools/infer/predict.py \
|
||||
-m model文件路径 \
|
||||
-p params文件路径 \
|
||||
-i 图片路径 \
|
||||
--use_gpu=1 \
|
||||
-m __model__文件路径 \
|
||||
-p __variables__文件路径 \
|
||||
--use_gpu=True \
|
||||
--use_tensorrt=False
|
||||
```
|
||||
其中：
|
||||
+ `image_file`(简写 i)：待预测的图片文件路径，如 `./test.jpeg`
|
||||
+ `model_file`(简写 m)：模型文件路径，如 `./MobileNetV3_large_x1_0/__model__`
|
||||
+ `params_file`(简写 p)：权重文件路径，如 `./MobileNetV3_large_x1_0/__variables__`
|
||||
+ `use_tensorrt`：是否使用 TesorRT 预测引擎，默认值：`True`
|
||||
+ `use_gpu`：是否使用 GPU 预测，默认值：`True`
|
||||
|
||||
更多使用方法和推理方式请参考[分类预测框架](../extension/paddle_inference.md)。
|
||||
|
|
|
|||
Loading…
Reference in New Issue