108 lines
5.5 KiB
Markdown
108 lines
5.5 KiB
Markdown
# ConvNeXt 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)
|
||
- [1.3 Benchmark](#1.3)
|
||
- [1.3.1 基于 V100 GPU 的预测速度](#1.3.1)
|
||
- [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
|
||
|
||
ConvNeXt（Cross Stage Partial Network）系列模型是 Meta 在 2022 年提出的基于 CNN 架构的模型，该系列模型是在 ResNet 的基础上，通过借鉴 SwinTransformer 的优秀设计，包括训练策略和网络结构的优化思想，从而设计出的纯 CNN 架构网络，探索了卷积神经网络的性能上限。同时因为基于卷积神经网络实现，因此该系列模型具有卷积神经网络的诸多优点，包括推理效率高和易于迁移到下游任务等。[论文地址](https://openaccess.thecvf.com/content/CVPR2022/html/Liu_A_ConvNet_for_the_2020s_CVPR_2022_paper.html)。
|
||
|
||
<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) |
|
||
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
|
||
| ConvNeXt_tiny | 0.8203 | 0.9590 | 0.821 | - | 4.458 | 28.583 |
|
||
|
||
### 1.3 Benchmark
|
||
|
||
<a name='1.3.1'></a>
|
||
|
||
#### 1.3.1 基于 V100 GPU 的预测速度
|
||
|
||
敬请期待。
|
||
|
||
<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/DeiT/` 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)。
|
||
|
||
**备注：** 由于 DeiT 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。
|
||
|
||
<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](../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](../../../deploy/paddle2onnx/readme.md)来完成相应的部署工作。
|