103 lines
5.7 KiB
Markdown
103 lines
5.7 KiB
Markdown
# StarNet 系列
|
||
-----
|
||
|
||
## 目录
|
||
|
||
- [1. 模型介绍](#1)
|
||
- [1.1 模型简介](#1.1)
|
||
- [1.2 模型指标](#1.2)
|
||
- [2. 模型快速体验](#2)
|
||
- [3. 模型训练、评估和预测](#3)
|
||
- [4. 模型推理部署](#4)
|
||
- [4.1 推理模型准备](#4.1)
|
||
- [4.2 基于 Python 预测引擎推理](#4.2)
|
||
- [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)
|
||
|
||
<a name='1'></a>
|
||
|
||
## 1. 模型介绍
|
||
|
||
<a name='1.1'></a>
|
||
|
||
### 1.1 模型简介
|
||
|
||
[StarNet](https://arxiv.org/abs/2403.19967) 聚焦于研究网络设计中“星操作”（即元素级乘法）的未开发潜力。揭示星操作能够将输入映射到高维、非线性特征空间的能力，这一过程类似于核技巧，但无需扩大网络规模。因此进一步提出了 StarNet，一个简单而强大的原型网络，该网络在紧凑的网络结构和有限的计算资源下，展现出了卓越的性能和低延迟。
|
||
|
||
利用星操作的高效性，StarNet 甚至能够超越各种精心设计的高效模型。例如，在 ImageNet-1K 验证集上，StarNet-S4 以 0.9% 的 Top-1 准确率优势超越了 EdgeViT-XS，同时在 iPhone13 和CPU上运行速度快了 3 倍，在 GPU 上运行速度快了 2 倍。
|
||
|
||
<a name='1.2'></a>
|
||
|
||
### 1.2 模型指标
|
||
|
||
| Models | Top1 | Top5 | Reference<br>top1 | Reference<br>top5 | FLOPs<br>(G) | Params<br>(M) |
|
||
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
|
||
| StarNet_S1 | 0.736 | 0.918 | 0.736 | | 0.415 | 2.9 |
|
||
| StarNet_S2 | 0.748 | 0.923 | 0.747 | | 0.534 | 3.7 |
|
||
| StarNet_S3 | 0.770 | 0.940 | 0.774 | | 0.739 | 5.8 |
|
||
| StarNet_S4 | 0.790 | 0.949 | 0.788 | | 1.050 | 7.5 |
|
||
|
||
**备注：** PaddleClas 所提供的该系列模型的预训练模型权重，均是基于其官方提供的权重转得。
|
||
|
||
<a name="2"></a>
|
||
|
||
## 2. 模型快速体验
|
||
|
||
安装 paddlepaddle 和 paddleclas 即可快速对图片进行预测，体验方法可以参考[ResNet50 模型快速体验](./ResNet.md#2-模型快速体验)。
|
||
|
||
<a name="3"></a>
|
||
|
||
## 3. 模型训练、评估和预测
|
||
|
||
此部分内容包括训练环境配置、ImageNet数据的准备、该模型在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/StarNet/` 中提供了该模型的训练配置，启动训练方法可以参考：[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。
|
||
|
||
<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)。
|
||
|
||
Inference 的获取可以参考 [ResNet50 推理模型准备](./ResNet.md#41-推理模型准备) 。
|
||
|
||
<a name="4.2"></a>
|
||
|
||
### 4.2 基于 Python 预测引擎推理
|
||
|
||
PaddleClas 提供了基于 python 预测引擎推理的示例。您可以参考[ResNet50 基于 Python 预测引擎推理](./ResNet.md#42-基于-python-预测引擎推理) 。
|
||
|
||
<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](../../deployment/image_classification/cpp/linux.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](../../deployment/image_classification/cpp/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](../../deployment/image_classification/paddle_serving.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](../../deployment/image_classification/paddle_lite.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](../../deployment/image_classification/paddle2onnx.md)来完成相应的部署工作。
|