mirror of
https://github.com/PaddlePaddle/PaddleClas.git
synced 2025-06-03 21:55:06 +08:00
update PPLCNet docs
This commit is contained in:
cuicheng01
parent
fbab98c4b8
commit
ffa927b731
@ -1,5 +1,5 @@
|
||||
Global:
|
||||
infer_imgs: "./images/ILSVRC2012_val_00000010.jpeg"
|
||||
infer_imgs: "./images/ImageNet/ILSVRC2012_val_00000010.jpeg"
|
||||
inference_model_dir: "./models"
|
||||
batch_size: 1
|
||||
use_gpu: True
|
||||
@ -32,4 +32,4 @@ PostProcess:
|
||||
topk: 5
|
||||
class_id_map_file: "../ppcls/utils/imagenet1k_label_list.txt"
|
||||
SavePreLabel:
|
||||
save_dir: ./pre_label/
|
||||
save_dir: ./pre_label/
|
||||
|
||||
@ -1,5 +1,5 @@
|
||||
Global:
|
||||
infer_imgs: "./images/ILSVRC2012_val_00000010.jpeg"
|
||||
infer_imgs: "./images/ImageNet/ILSVRC2012_val_00000010.jpeg"
|
||||
inference_model_dir: "./models"
|
||||
batch_size: 1
|
||||
use_gpu: True
|
||||
@ -32,4 +32,4 @@ PostProcess:
|
||||
topk: 5
|
||||
class_id_map_file: "../ppcls/utils/imagenet1k_label_list.txt"
|
||||
SavePreLabel:
|
||||
save_dir: ./pre_label/
|
||||
save_dir: ./pre_label/
|
||||
|
||||
|
Before Width: | Height: | Size: 139 KiB After Width: | Height: | Size: 139 KiB |
|
Before Width: | Height: | Size: 62 KiB After Width: | Height: | Size: 62 KiB |
|
Before Width: | Height: | Size: 129 KiB After Width: | Height: | Size: 129 KiB |
|
Before Width: | Height: | Size: 132 KiB After Width: | Height: | Size: 132 KiB |
@ -3,48 +3,70 @@
|
||||
|
||||
## 目录
|
||||
|
||||
- [1. 摘要](#1)
|
||||
- [2. 介绍](#2)
|
||||
- [3. 方法](#3)
|
||||
- [3.1 更好的激活函数](#3.1)
|
||||
- [3.2 合适的位置添加 SE 模块](#3.2)
|
||||
- [3.3 合适的位置添加更大的卷积核](#3.3)
|
||||
- [3.4 GAP 后使用更大的 1x1 卷积层](#3.4)
|
||||
- [4. 实验部分](#4)
|
||||
- [4.1 图像分类](#4.1)
|
||||
- [4.2 目标检测](#4.2)
|
||||
- [4.3 语义分割](#4.3)
|
||||
- [5. 基于 V100 GPU 的预测速度](#5)
|
||||
- [6. 基于 SD855 的预测速度](#6)
|
||||
- [7. 总结](#7)
|
||||
- [8. 引用](#8)
|
||||
- [1. 模型和应用场景介绍](#1)
|
||||
- [1.1 模型简介](#1.1)
|
||||
- [1.2 模型细节](#1.2)
|
||||
- [1.2.1 更好的激活函数](#1.2.1)
|
||||
- [1.2.2 合适的位置添加 SE 模块](#1.2.2)
|
||||
- [1.2.3 合适的位置添加更大的卷积核](#1.2.3)
|
||||
- [1.2.4 GAP 后使用更大的 1x1 卷积层](#1.2.4)
|
||||
- [1.3 实验结果](#1.3)
|
||||
- [1.4 Benchmark](#1.4)
|
||||
- [1.4.1 基于Intel Xeon Gold 6148 的预测速度](#1.4.1)
|
||||
- [1.4.2 基于 V100 GPU 的预测速度](#1.4.2)
|
||||
- [1.4.3 基于 SD855 的预测速度](#1.4.3)
|
||||
- [2. 模型快速体验](#2)
|
||||
- [2.1 安装 paddleclas](#2.1)
|
||||
- [2.2 预测](#2.2)
|
||||
- [3. 模型训练、评估和预测](#3)
|
||||
- [3.1 环境配置](#3.1)
|
||||
- [3.2 数据准备](#3.2)
|
||||
- [3.3 模型训练](#3.3)
|
||||
- [3.4 模型评估](#3.4)
|
||||
- [3.5 模型预测](#3.5)
|
||||
- [4. 模型推理部署](#4)
|
||||
- [4.1 推理模型准备](#4.1)
|
||||
- [4.1.1 基于训练得到的权重导出 inference 模型](#4.1.1)
|
||||
- [4.1.2 直接下载 inference 模型](#4.1.2)
|
||||
- [4.2 基于 Python 预测引擎推理](#4.2)
|
||||
- [4.2.1 预测单张图像](#4.2.1)
|
||||
- [4.2.2 基于文件夹的批量预测](#4.2.2)
|
||||
- [4.3 基于 C++ 预测引擎推理](#4.3)
|
||||
- [4.4 服务化部署](#4.4)
|
||||
- [4.5 端侧部署](#4.5)
|
||||
- [4.6 Paddle2ONNX 模型转换与预测](#4.6)
|
||||
- [5. 引用](#5)
|
||||
|
||||
|
||||
|
||||
<a name="1"></a>
|
||||
|
||||
## 1. 摘要
|
||||
## 1. 模型和应用场景介绍
|
||||
|
||||
### 1.1 模型和应用场景简介
|
||||
|
||||
在计算机视觉领域中，骨干网络的好坏直接影响到整个视觉任务的结果。在之前的一些工作中，相关的研究者普遍将 FLOPs 或者 Params 作为优化目的，但是在工业界真实落地的场景中，推理速度才是考量模型好坏的重要指标，然而，推理速度和准确性很难兼得。考虑到工业界有很多基于 Intel CPU 的应用，所以我们本次的工作旨在使骨干网络更好的适应 Intel CPU，从而得到一个速度更快、准确率更高的轻量级骨干网络，与此同时，目标检测、语义分割等下游视觉任务的性能也同样得到提升。
|
||||
|
||||
<a name="2"></a>
|
||||
## 2. 介绍
|
||||
|
||||
近年来，有很多轻量级的骨干网络问世，尤其最近两年，各种 NAS 搜索出的网络层出不穷，这些网络要么主打 FLOPs 或者 Params 上的优势，要么主打 ARM 设备上的推理速度的优势，很少有网络专门针对 Intel CPU 做特定的优化，导致这些网络在 Intel CPU 端的推理速度并不是很完美。基于此，我们针对 Intel CPU 设备以及其加速库 MKLDNN 设计了特定的骨干网络 PP-LCNet，比起其他的轻量级的 SOTA 模型，该骨干网络可以在不增加推理时间的情况下，进一步提升模型的性能，最终大幅度超越现有的 SOTA 模型。与其他模型的对比图如下。
|
||||
|
||||
|
||||
<a name="3"></a>
|
||||
## 3. 方法
|
||||
<a name="1.2"></a>
|
||||
|
||||
### 1.2 模型细节
|
||||
|
||||
网络结构整体如下图所示。
|
||||
|
||||
我们经过大量的实验发现，在基于 Intel CPU 设备上，尤其当启用 MKLDNN 加速库后，很多看似不太耗时的操作反而会增加延时，比如 elementwise-add 操作、split-concat 结构等。所以最终我们选用了结构尽可能精简、速度尽可能快的 block 组成我们的 BaseNet（类似 MobileNetV1）。基于 BaseNet，我们通过实验，总结了四条几乎不增加延时但是可以提升模型精度的方法，融合这四条策略，我们组合成了 PP-LCNet。下面对这四条策略一一介绍：
|
||||
|
||||
<a name="3.1"></a>
|
||||
### 3.1 更好的激活函数
|
||||
<a name="1.2.1"></a>
|
||||
|
||||
#### 1.2.1 更好的激活函数
|
||||
|
||||
自从卷积神经网络使用了 ReLU 激活函数后，网络性能得到了大幅度提升，近些年 ReLU 激活函数的变体也相继出现，如 Leaky-ReLU、P-ReLU、ELU 等，2017 年，谷歌大脑团队通过搜索的方式得到了 swish 激活函数，该激活函数在轻量级网络上表现优异，在 2019 年，MobileNetV3 的作者将该激活函数进一步优化为 H-Swish，该激活函数去除了指数运算，速度更快，网络精度几乎不受影响。我们也经过很多实验发现该激活函数在轻量级网络上有优异的表现。所以在 PP-LCNet 中，我们选用了该激活函数。
|
||||
|
||||
<a name="3.2"></a>
|
||||
### 3.2 合适的位置添加 SE 模块
|
||||
<a name="1.2.2"></a>
|
||||
|
||||
#### 1.2.2 合适的位置添加 SE 模块
|
||||
|
||||
SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模型的精度。但是在 Intel CPU 端，该模块同样会带来较大的延时，如何平衡精度和速度是我们要解决的一个问题。虽然在 MobileNetV3 等基于 NAS 搜索的网络中对 SE 模块的位置进行了搜索，但是并没有得出一般的结论，我们通过实验发现，SE 模块越靠近网络的尾部对模型精度的提升越大。下表也展示了我们的一些实验结果：
|
||||
|
||||
@ -59,8 +81,9 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模
|
||||
|
||||
最终，PP-LCNet 中的 SE 模块的位置选用了表格中第三行的方案。
|
||||
|
||||
<a name="3.3"></a>
|
||||
### 3.3 合适的位置添加更大的卷积核
|
||||
<a name="1.2.3"></a>
|
||||
|
||||
#### 1.2.3 合适的位置添加更大的卷积核
|
||||
|
||||
在 MixNet 的论文中，作者分析了卷积核大小对模型性能的影响，结论是在一定范围内大的卷积核可以提升模型的性能，但是超过这个范围会有损模型的性能，所以作者组合了一种 split-concat 范式的 MixConv，这种组合虽然可以提升模型的性能，但是不利于推理。我们通过实验总结了一些更大的卷积核在不同位置的作用，类似 SE 模块的位置，更大的卷积核在网络的中后部作用更明显，下表展示了 5x5 卷积核的位置对精度的影响：
|
||||
|
||||
@ -73,8 +96,9 @@ SE 模块是 SENet 提出的一种通道注意力机制，可以有效提升模
|
||||
|
||||
实验表明，更大的卷积核放在网络的中后部即可达到放在所有位置的精度，与此同时，获得更快的推理速度。PP-LCNet 最终选用了表格中第三行的方案。
|
||||
|
||||
<a name="3.4"></a>
|
||||
### 3.4 GAP 后使用更大的 1x1 卷积层
|
||||
<a name="1.2.4"></a>
|
||||
|
||||
#### 1.2.4 GAP 后使用更大的 1x1 卷积层
|
||||
|
||||
在 GoogLeNet 之后，GAP（Global-Average-Pooling）后往往直接接分类层，但是在轻量级网络中，这样会导致 GAP 后提取的特征没有得到进一步的融合和加工。如果在此后使用一个更大的 1x1 卷积层（等同于 FC 层），GAP 后的特征便不会直接经过分类层，而是先进行了融合，并将融合的特征进行分类。这样可以在不影响模型推理速度的同时大大提升准确率。
|
||||
BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步说明了每个方案对结果的影响：
|
||||
@ -87,11 +111,13 @@ BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步
|
||||
| 1 | 1 | 1 | 0 | 59.91 | 1.85 |
|
||||
| <b>1<b> | <b>1<b> | <b>1<b> | <b>1<b> | <b>63.14<b> | <b>2.05<b> |
|
||||
|
||||
<a name="4"></a>
|
||||
## 4. 实验部分
|
||||
<a name="1.3"></a>
|
||||
|
||||
### 1.3 实验结果
|
||||
|
||||
<a name="4.1"></a>
|
||||
### 4.1 图像分类
|
||||
<a name="1.3.1"></a>
|
||||
|
||||
#### 1.3.1 图像分类
|
||||
|
||||
图像分类我们选用了 ImageNet 数据集，相比目前主流的轻量级网络，PP-LCNet 在相同精度下可以获得更快的推理速度。当使用百度自研的 SSLD 蒸馏策略后，精度进一步提升，在 Intel cpu 端约 5ms 的推理速度下 ImageNet 的 Top-1 Acc 超过了 80%。
|
||||
|
||||
@ -128,8 +154,9 @@ BaseNet 经过以上四个方面的改进，得到了 PP-LCNet。下表进一步
|
||||
| MobileNetV3_small_x1_25 | 3.6 | 100 | 70.67 | 89.51 | 3.95 |
|
||||
| <b>PPLCNet_x1_0<b> |<b> 3.0<b> | <b>161<b> | <b>71.32<b> | <b>90.03<b> | <b>2.46<b> |
|
||||
|
||||
<a name="4.2"></a>
|
||||
### 4.2 目标检测
|
||||
<a name="1.3.2"></a>
|
||||
|
||||
#### 1.3.2 目标检测
|
||||
|
||||
目标检测的方法我们选用了百度自研的 PicoDet，该方法主打轻量级目标检测场景，下表展示了在 COCO 数据集上、backbone 选用 PP-LCNet 与 MobileNetV3 的结果的比较，无论在精度还是速度上，PP-LCNet 的优势都非常明显。
|
||||
|
||||
@ -140,8 +167,9 @@ MobileNetV3_large_x0_35 | 19.2 | 8.1 |
|
||||
MobileNetV3_large_x0_75 | 25.8 | 11.1 |
|
||||
<b>PPLCNet_x1_0<b> | <b>26.9<b> | <b>7.9<b> |
|
||||
|
||||
<a name="4.3"></a>
|
||||
### 4.3 语义分割
|
||||
<a name="1.3.3"></a>
|
||||
|
||||
#### 1.3.3 语义分割
|
||||
|
||||
语义分割的方法我们选用了 DeeplabV3+，下表展示了在 Cityscapes 数据集上、backbone 选用 PP-LCNet 与 MobileNetV3 的比较，在精度和速度方面，PP-LCNet 的优势同样明显。
|
||||
|
||||
@ -152,23 +180,46 @@ MobileNetV3_large_x0_5 | 55.42 | 135 |
|
||||
MobileNetV3_large_x0_75 | 64.53 | 151 |
|
||||
<b>PPLCNet_x1_0<b> | <b>66.03<b> | <b>96<b> |
|
||||
|
||||
<a name="5"></a>
|
||||
<a name="1.4"></a>
|
||||
|
||||
## 5. 基于 V100 GPU 的预测速度
|
||||
## 1.4 Benchmark
|
||||
|
||||
| Models | Crop Size | Resize Short Size | FP32<br>Batch Size=1<br>(ms) | FP32<br/>Batch Size=1\4<br/>(ms) | FP32<br/>Batch Size=8<br/>(ms) |
|
||||
| ------------- | --------- | ----------------- | ---------------------------- | -------------------------------- | ------------------------------ |
|
||||
| PPLCNet_x0_25 | 224 | 256 | 0.72 | 1.17 | 1.71 |
|
||||
| PPLCNet_x0_35 | 224 | 256 | 0.69 | 1.21 | 1.82 |
|
||||
| PPLCNet_x0_5 | 224 | 256 | 0.70 | 1.32 | 1.94 |
|
||||
| PPLCNet_x0_75 | 224 | 256 | 0.71 | 1.49 | 2.19 |
|
||||
| PPLCNet_x1_0 | 224 | 256 | 0.73 | 1.64 | 2.53 |
|
||||
| PPLCNet_x1_5 | 224 | 256 | 0.82 | 2.06 | 3.12 |
|
||||
| PPLCNet_x2_0 | 224 | 256 | 0.94 | 2.58 | 4.08 |
|
||||
<a name="1.4.1"></a>
|
||||
|
||||
#### 1.4.1 基于Intel Xeon Gold 6148 的预测速度
|
||||
|
||||
<a name="6"></a>
|
||||
| Model | Intel Xeon Gold 6148 time(ms)<br/>bs=1, thread=10 |
|
||||
|-------|-------------|
|
||||
| PPLCNet_x0_25 | 1.74 |
|
||||
| PPLCNet_x0_35 | 1.92 |
|
||||
| PPLCNet_x0_5 | 2.05 |
|
||||
| PPLCNet_x0_75 | 2.29 |
|
||||
| PPLCNet_x1_0 | 2.46 |
|
||||
| PPLCNet_x1_5 | 3.19 |
|
||||
| PPLCNet_x2_0 | 4.27 |
|
||||
| PPLCNet_x2_5 | 5.39 |
|
||||
|
||||
**备注：** 推理过程使用MKLDNN。
|
||||
|
||||
## 6. 基于 SD855 的预测速度
|
||||
<a name="1.4.2"></a>
|
||||
|
||||
#### 1.4.2 基于 V100 GPU 的预测速度
|
||||
|
||||
| Models | FP32<br>Batch Size=1<br>(ms) | FP32<br/>Batch Size=1\4<br/>(ms) | FP32<br/>Batch Size=8<br/>(ms) |
|
||||
| ------------- | ---------------------------- | -------------------------------- | ------------------------------ |
|
||||
| PPLCNet_x0_25 | 0.72 | 1.17 | 1.71 |
|
||||
| PPLCNet_x0_35 | 0.69 | 1.21 | 1.82 |
|
||||
| PPLCNet_x0_5 | 0.70 | 1.32 | 1.94 |
|
||||
| PPLCNet_x0_75 | 0.71 | 1.49 | 2.19 |
|
||||
| PPLCNet_x1_0 | 0.73 | 1.64 | 2.53 |
|
||||
| PPLCNet_x1_5 | 0.82 | 2.06 | 3.12 |
|
||||
| PPLCNet_x2_0 | 0.94 | 2.58 | 4.08 |
|
||||
|
||||
**备注：** 推理过程使用 TensorRT。
|
||||
|
||||
<a name="1.4.3"></a>
|
||||
|
||||
#### 1.4.3 基于 SD855 的预测速度
|
||||
|
||||
| Models | SD855 time(ms)<br>bs=1, thread=1 | SD855 time(ms)<br/>bs=1, thread=2 | SD855 time(ms)<br/>bs=1, thread=4 |
|
||||
| ------------- | -------------------------------- | --------------------------------- | --------------------------------- |
|
||||
@ -181,15 +232,287 @@ MobileNetV3_large_x0_75 | 64.53 | 151 |
|
||||
| PPLCNet_x2_0 | 33.79 | 20.17 | 12.10 |
|
||||
| PPLCNet_x2_5 | 49.89 | 29.60 | 17.82 |
|
||||
|
||||
<a name="7"></a>
|
||||
<a name="2"></a>
|
||||
|
||||
## 2. 模型快速体验
|
||||
|
||||
## 7. 总结
|
||||
<a name="2.1"></a>
|
||||
|
||||
### 2.1 安装 paddleclas
|
||||
|
||||
使用如下命令快速安装 paddleclas
|
||||
|
||||
```
|
||||
pip3 install paddleclas
|
||||
```
|
||||
<a name="2.2"></a>
|
||||
|
||||
### 2.2 预测
|
||||
|
||||
PP-LCNet 没有像学术界那样死扣极致的 FLOPs 与 Params，而是着眼于分析如何添加对 Intel CPU 友好的模块来提升模型的性能，这样可以更好的平衡准确率和推理时间，其中的实验结论也很适合其他网络结构设计的研究者，同时也为 NAS 搜索研究者提供了更小的搜索空间和一般结论。最终的 PP-LCNet 在产业界也可以更好的落地和应用。
|
||||
使用 PPLCNet_x1_0 的权重快速预测
|
||||
|
||||
```bash
|
||||
paddleclas --model_name=PPLCNet_x1_0 --infer_imgs="docs/images/inference_deployment/whl_demo.jpg"
|
||||
```
|
||||
|
||||
结果如下：
|
||||
```
|
||||
>>> result
|
||||
filename: docs/images/inference_deployment/whl_demo.jpg, top-5, class_ids: [8, 7, 86, 81, 85], scores: [0.91347, 0.03779, 0.0036, 0.00117, 0.00112], label_names: ['hen', 'cock', 'partridge', 'ptarmigan', 'quail']
|
||||
Predict complete!
|
||||
```
|
||||
|
||||
**备注：**
|
||||
|
||||
* 更换 PPLCNet 的其他 scale 的模型时，只需替换 `model_name`，如将此时的模型改为 `PPLCNet_x2_0` 时，只需要将 `--model_name=PPLCNet_x1_0` 改为 `--model_name=PPLCNet_x2_0` 即可。
|
||||
|
||||
<a name="8"></a>
|
||||
<a name="3"></a>
|
||||
|
||||
## 3. 模型训练、评估和预测
|
||||
|
||||
<a name="3.1"></a>
|
||||
|
||||
## 8. 引用
|
||||
### 3.1 环境配置
|
||||
|
||||
* 安装：请先参考 [Paddle 安装教程](../installation/install_paddle.md) 以及 [PaddleClas 安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。
|
||||
|
||||
<a name="3.2"></a>
|
||||
|
||||
### 3.2 数据准备
|
||||
|
||||
请在[ImageNet 官网](https://www.image-net.org/)准备 ImageNet-1k 相关的数据。
|
||||
|
||||
|
||||
进入 PaddleClas 目录。
|
||||
|
||||
```
|
||||
cd path_to_PaddleClas
|
||||
```
|
||||
|
||||
进入 `dataset/` 目录，将下载好的数据命名为 `ILSVRC2012` ，存放于此。 `ILSVRC2012` 目录中具有以下数据：
|
||||
|
||||
```
|
||||
├── train
|
||||
│ ├── n01440764
|
||||
│ │ ├── n01440764_10026.JPEG
|
||||
│ │ ├── n01440764_10027.JPEG
|
||||
├── train_list.txt
|
||||
...
|
||||
├── val
|
||||
│ ├── ILSVRC2012_val_00000001.JPEG
|
||||
│ ├── ILSVRC2012_val_00000002.JPEG
|
||||
├── val_list.txt
|
||||
|
||||
其中 `train/` 和 `val/` 分别为训练集和验证集。`train_list.txt` 和 `val_list.txt` 分别为训练集和验证集的标签文件。
|
||||
|
||||
**备注：**
|
||||
|
||||
* 关于 `train_list.txt`、`val_list.txt`的格式说明，可以参考[PaddleClas分类数据集格式说明](../data_preparation/classification_dataset.md#1-数据集格式说明) 。
|
||||
|
||||
|
||||
<a name="3.3"></a>
|
||||
|
||||
### 3.3 模型训练
|
||||
|
||||
|
||||
在 `ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml` 中提供了 PPLCNet_x1_0 训练配置，可以通过如下脚本启动训练：
|
||||
|
||||
```shell
|
||||
export CUDA_VISIBLE_DEVICES=0,1,2,3
|
||||
python3 -m paddle.distributed.launch \
|
||||
--gpus="0,1,2,3" \
|
||||
tools/train.py \
|
||||
-c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml
|
||||
```
|
||||
|
||||
|
||||
**备注：**
|
||||
|
||||
* 当前精度最佳的模型会保存在 `output/PPLCNet_x1_0/best_model.pdparams`
|
||||
|
||||
<a name="3.4"></a>
|
||||
|
||||
### 3.4 模型评估
|
||||
|
||||
训练好模型之后，可以通过以下命令实现对模型指标的评估。
|
||||
|
||||
```bash
|
||||
python3 tools/eval.py \
|
||||
-c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml \
|
||||
-o Global.pretrained_model=output/PPLCNet_x1_0/best_model
|
||||
```
|
||||
|
||||
其中 `-o Global.pretrained_model="output/PPLCNet_x1_0/best_model"` 指定了当前最佳权重所在的路径，如果指定其他权重，只需替换对应的路径即可。
|
||||
|
||||
<a name="3.5"></a>
|
||||
|
||||
### 3.5 模型预测
|
||||
|
||||
模型训练完成之后，可以加载训练得到的预训练模型，进行模型预测。在模型库的 `tools/infer.py` 中提供了完整的示例，只需执行下述命令即可完成模型预测：
|
||||
|
||||
```python
|
||||
python3 tools/infer.py \
|
||||
-c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml \
|
||||
-o Global.pretrained_model=output/PPLCNet_x1_0/best_model
|
||||
```
|
||||
|
||||
输出结果如下：
|
||||
|
||||
```
|
||||
[{'class_ids': [8, 7, 86, 81, 85], 'scores': [0.91347, 0.03779, 0.0036, 0.00117, 0.00112], 'file_name': 'docs/images/inference_deployment/whl_demo.jpg', 'label_names': ['hen', 'cock', 'partridge', 'ptarmigan', 'quail']}]
|
||||
```
|
||||
|
||||
**备注：**
|
||||
|
||||
* 这里`-o Global.pretrained_model="output/PPLCNet_x1_0/best_model"` 指定了当前最佳权重所在的路径，如果指定其他权重，只需替换对应的路径即可。
|
||||
|
||||
* 默认是对 `docs/images/inference_deployment/whl_demo.jpg` 进行预测，此处也可以通过增加字段 `-o Infer.infer_imgs=xxx` 对其他图片预测。
|
||||
|
||||
* 默认输出的是 Top-5 的值，如果希望输出 Top-k 的值，可以指定`-o Infer.PostProcess.topk=k`，其中，`k` 为您指定的值。
|
||||
|
||||
|
||||
|
||||
<a name="4"></a>
|
||||
|
||||
## 4. 模型推理部署
|
||||
|
||||
<a name="4.1"></a>
|
||||
|
||||
### 4.1 推理模型准备
|
||||
|
||||
Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端，提供高性能的推理能力。相比于直接基于预训练模型进行预测，Paddle Inference可使用MKLDNN、CUDNN、TensorRT 进行预测加速，从而实现更优的推理性能。更多关于Paddle Inference推理引擎的介绍，可以参考[Paddle Inference官网教程](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/infer/inference/inference_cn.html)。
|
||||
|
||||
当使用 Paddle Inference 推理时，加载的模型类型为 inference 模型。本案例提供了两种获得 inference 模型的方法，如果希望得到和文档相同的结果，请选择[直接下载 inference 模型](#6.1.2)的方式。
|
||||
|
||||
|
||||
<a name="4.1.1"></a>
|
||||
|
||||
### 4.1.1 基于训练得到的权重导出 inference 模型
|
||||
|
||||
此处，我们提供了将权重和模型转换的脚本，执行该脚本可以得到对应的 inference 模型：
|
||||
|
||||
```bash
|
||||
python3 tools/export_model.py \
|
||||
-c ppcls/configs/ImageNet/PPLCNet/PPLCNet_x1_0.yaml \
|
||||
-o Global.pretrained_model=output/PPLCNet_x1_0/best_model \
|
||||
-o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_infer
|
||||
```
|
||||
执行完该脚本后会在 `deploy/models/` 下生成 `PPLCNet_x1_0_infer` 文件夹，`models` 文件夹下应有如下文件结构：
|
||||
|
||||
```
|
||||
├── PPLCNet_x1_0_infer
|
||||
│ ├── inference.pdiparams
|
||||
│ ├── inference.pdiparams.info
|
||||
│ └── inference.pdmodel
|
||||
```
|
||||
|
||||
|
||||
<a name="4.1.2"></a>
|
||||
|
||||
### 4.1.2 直接下载 inference 模型
|
||||
|
||||
[4.1.1 小节](#4.1.1)提供了导出 inference 模型的方法，此处也提供了该场景可以下载的 inference 模型，可以直接下载体验。
|
||||
|
||||
```
|
||||
cd deploy/models
|
||||
# 下载 inference 模型并解压
|
||||
wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/PPLCNet_x1_0_infer.tar && tar -xf PPLCNet_x1_0_infer.tar
|
||||
```
|
||||
|
||||
解压完毕后，`models` 文件夹下应有如下文件结构：
|
||||
|
||||
```
|
||||
├── PPLCNet_x1_0_infer
|
||||
│ ├── inference.pdiparams
|
||||
│ ├── inference.pdiparams.info
|
||||
│ └── inference.pdmodel
|
||||
```
|
||||
|
||||
<a name="4.2"></a>
|
||||
|
||||
### 4.2 基于 Python 预测引擎推理
|
||||
|
||||
|
||||
<a name="4.2.1"></a>
|
||||
|
||||
#### 4.2.1 预测单张图像
|
||||
|
||||
返回 `deploy` 目录：
|
||||
|
||||
```
|
||||
cd ../
|
||||
```
|
||||
|
||||
运行下面的命令，对图像 `./images/ImageNet/ILSVRC2012_val_00000010.jpeg` 进行有人/无人分类。
|
||||
|
||||
```shell
|
||||
# 使用下面的命令使用 GPU 进行预测
|
||||
python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_model_dir=models/PPLCNet_x1_0_infer
|
||||
# 使用下面的命令使用 CPU 进行预测
|
||||
python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_model_dir=models/PPLCNet_x1_0_infer -o Global.use_gpu=False
|
||||
```
|
||||
|
||||
输出结果如下。
|
||||
|
||||
```
|
||||
ILSVRC2012_val_00000010.jpeg: class id(s): [153, 265, 204, 283, 229], score(s): [0.61, 0.11, 0.05, 0.03, 0.02], label_name(s): ['Maltese dog, Maltese terrier, Maltese', 'toy poodle', 'Lhasa, Lhasa apso', 'Persian cat', 'Old English sheepdog, bobtail']
|
||||
```
|
||||
|
||||
<a name="4.2.2"></a>
|
||||
|
||||
#### 4.2.2 基于文件夹的批量预测
|
||||
|
||||
如果希望预测文件夹内的图像，可以直接修改配置文件中的 `Global.infer_imgs` 字段，也可以通过下面的 `-o` 参数修改对应的配置。
|
||||
|
||||
```shell
|
||||
# 使用下面的命令使用 GPU 进行预测，如果希望使用 CPU 预测，可以在命令后面添加 -o Global.use_gpu=False
|
||||
python3 python/predict_cls.py -c configs/inference_cls.yaml -o Global.inference_model_dir=models/PPLCNet_x1_0_infer -o Global.infer_imgs=images/ImageNet/
|
||||
```
|
||||
|
||||
终端中会输出该文件夹内所有图像的分类结果，如下所示。
|
||||
|
||||
```
|
||||
ILSVRC2012_val_00000010.jpeg: class id(s): [153, 265, 204, 283, 229], score(s): [0.61, 0.11, 0.05, 0.03, 0.02], label_name(s): ['Maltese dog, Maltese terrier, Maltese', 'toy poodle', 'Lhasa, Lhasa apso', 'Persian cat', 'Old English sheepdog, bobtail']
|
||||
ILSVRC2012_val_00010010.jpeg: class id(s): [695, 551, 507, 531, 419], score(s): [0.11, 0.06, 0.03, 0.03, 0.03], label_name(s): ['padlock', 'face powder', 'combination lock', 'digital watch', 'Band Aid']
|
||||
ILSVRC2012_val_00020010.jpeg: class id(s): [178, 211, 209, 210, 236], score(s): [0.87, 0.03, 0.01, 0.00, 0.00], label_name(s): ['Weimaraner', 'vizsla, Hungarian pointer', 'Chesapeake Bay retriever', 'German short-haired pointer', 'Doberman, Doberman pinscher']
|
||||
ILSVRC2012_val_00030010.jpeg: class id(s): [80, 23, 93, 81, 99], score(s): [0.87, 0.01, 0.01, 0.01, 0.00], label_name(s): ['black grouse', 'vulture', 'hornbill', 'ptarmigan', 'goose']
|
||||
```
|
||||
|
||||
|
||||
<a name="4.3"></a>
|
||||
|
||||
### 4.3 基于 C++ 预测引擎推理
|
||||
|
||||
PaddleClas 提供了基于 C++ 预测引擎推理的示例，您可以参考[服务器端 C++ 预测](../inference_deployment/cpp_deploy.md)来完成相应的推理部署。如果您使用的是 Windows 平台，可以参考[基于 Visual Studio 2019 Community CMake 编译指南](../inference_deployment/cpp_deploy_on_windows.md)完成相应的预测库编译和模型预测工作。
|
||||
|
||||
<a name="4.4"></a>
|
||||
|
||||
### 4.4 服务化部署
|
||||
|
||||
Paddle Serving 提供高性能、灵活易用的工业级在线推理服务。Paddle Serving 支持 RESTful、gRPC、bRPC 等多种协议，提供多种异构硬件和多种操作系统环境下推理解决方案。更多关于Paddle Serving 的介绍，可以参考[Paddle Serving 代码仓库](https://github.com/PaddlePaddle/Serving)。
|
||||
|
||||
PaddleClas 提供了基于 Paddle Serving 来完成模型服务化部署的示例，您可以参考[模型服务化部署](../inference_deployment/paddle_serving_deploy.md)来完成相应的部署工作。
|
||||
|
||||
<a name="4.5"></a>
|
||||
|
||||
### 4.5 端侧部署
|
||||
|
||||
Paddle Lite 是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，定位于支持包括移动端、嵌入式以及服务器端在内的多硬件平台。更多关于 Paddle Lite 的介绍，可以参考[Paddle Lite 代码仓库](https://github.com/PaddlePaddle/Paddle-Lite)。
|
||||
|
||||
PaddleClas 提供了基于 Paddle Lite 来完成模型端侧部署的示例，您可以参考[端侧部署](../inference_deployment/paddle_lite_deploy.md)来完成相应的部署工作。
|
||||
|
||||
<a name="4.6"></a>
|
||||
|
||||
### 4.6 Paddle2ONNX 模型转换与预测
|
||||
|
||||
Paddle2ONNX 支持将 PaddlePaddle 模型格式转化到 ONNX 模型格式。通过 ONNX 可以完成将 Paddle 模型到多种推理引擎的部署，包括TensorRT/OpenVINO/MNN/TNN/NCNN，以及其它对 ONNX 开源格式进行支持的推理引擎或硬件。更多关于 Paddle2ONNX 的介绍，可以参考[Paddle2ONNX 代码仓库](https://github.com/PaddlePaddle/Paddle2ONNX)。
|
||||
|
||||
PaddleClas 提供了基于 Paddle2ONNX 来完成 inference 模型转换 ONNX 模型并作推理预测的示例，您可以参考[Paddle2ONNX 模型转换与预测](@shuilong)来完成相应的部署工作。
|
||||
|
||||
|
||||
<a name="5"></a>
|
||||
|
||||
## 5. 引用
|
||||
|
||||
如果你的论文用到了 PP-LCNet 的方法，请添加如下 cite：
|
||||
```
|
||||
|
||||
Loading…
x
Reference in New Issue
Block a user