mirrors
/
PaddleClas
mirror of https://github.com/PaddlePaddle/PaddleClas.git
1
0
Fork 0
Code Issues Projects Releases Wiki Activity
PaddleClas/docs/zh_CN/tutorials/quick_start.md

6.5 KiB
Raw Blame History

30min玩转PaddleClas

请事先参考安装指南配置运行环境

一、代码和数据准备

  • 克隆代码到本地并进入PaddleClas目录。
git clone https://github.com/PaddlePaddle/PaddleClas.git
cd PaddleClas
  • 进入dataset/flowers102目录，下载并解压flowers102数据集.
cd dataset/flowers102
wget https://www.robots.ox.ac.uk/~vgg/data/flowers/102/102flowers.tgz
wget https://www.robots.ox.ac.uk/~vgg/data/flowers/102/imagelabels.mat
wget https://www.robots.ox.ac.uk/~vgg/data/flowers/102/setid.ma
tar -xf 102flowers.tgz
  • 制作train/val/test list
python generate_flowers102_list.py jpg train > train_list.txt
python generate_flowers102_list.py jpg valid > val_list.txt
python generate_flowers102_list.py jpg test > test_list.txt
cat train_list.txt test_list.txt > train_test.txt

注意：这里将train_list.txt和test_list.txt合并成train_test.txt，是为了之后在进行知识蒸馏时，使用更多的数据提升无标签知识蒸馏任务的效果。

  • 返回PaddleClas根目录
cd ../../

二、环境准备

2.1 设置PYTHONPATH环境变量

export PYTHONPATH=path_to_PaddleClas:$PYTHONPATH

2.2 环境说明

  • 为了保证对比的公平性，下面所有的训练过程均在单卡V100机器上实现。

三、模型训练

3.1 零基础训练：不加载预训练模型的训练

  • 基于ResNet50_vd模型，训练脚本如下所示。
export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch \  
    --selected_gpus="0" \  
    --log_dir=log_train \  
    tools/train.py \  
        -c ./configs/quick_start/ResNet50_vd.yaml

最终Loss曲线如下所示。

Top1 Acc曲线如下所示。

3.2 基于精度为79.12%的ImageNet预训练模型微调

export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch \  
    --selected_gpus="0" \  
    --log_dir=log_train \  
    tools/train.py \  
        -c ./configs/quick_start/ResNet50_vd.yaml

最终Loss曲线如下所示。

Top1 Acc曲线如下所示。

3.3 基于精度82.39%的ImageNet预训练模型微调

需要注意的是，在使用通过知识蒸馏得到的预训练模型进行微调时，我们推荐使用相对较小的网络中间层学习率。

ARCHITECTURE:
    name: 'ResNet50_vd'
    params:
        lr_mult_list: [0.1, 0.1, 0.2, 0.2, 0.3]
pretrained_model: "./pretrained/ResNet50_vd_ssld_pretrained"

最终的训练脚本所示。

export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch \  
    --selected_gpus="0" \  
    --log_dir=log_train \  
    tools/train.py \  
        -c ./configs/quick_start/ResNet50_vd_ssld_finetune.yaml

3.4 使用ResNet50_vd蒸馏MobileNetV3

  • 使用flowers102数据集进行模型蒸馏，为了进一步提提升模型的精度，使用test_list.txt充当无标签数据，在这里有三点需要注意：

    • test_list.txt与val_list.txt的样本没有重复。
    • 即使引入了有标签的test_list.txt中的测试集图像，但是代码中没有使用标签信息，因此仍然可以视为无标签的模型蒸馏。
    • 蒸馏过程中，教师模型使用的预训练模型为flowers102数据集上的训练结果，学生模型使用的是ImageNet1k数据集上精度为75.32%的MobileNetV3_large_x1_0预训练模型。

  • 首先需要保存之前训练得到的ResNet50_vd预训练模型到合适的位置，作教师模型的预训练。

脚本如下所示。

cp -r output/ResNet50_vd/19/  ./pretrained/flowers102_R50_vd_final/

配置文件中数据数量、模型结构、预训练地址以及训练的数据配置如下：

total_images: 7169
ARCHITECTURE:
    name: 'ResNet50_vd_distill_MobileNetV3_large_x1_0'
pretrained_model:
    - "./pretrained/flowers102_R50_vd_final/ppcls"
    - "./pretrained/MobileNetV3_large_x1_0_pretrained/”
TRAIN:
    file_list: "./dataset/flowers102/train_test_list.txt"

最终的训练脚本如下所示。

export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch \  
    --selected_gpus="0" \  
    --log_dir=log_train \  
    tools/train.py \  
        -c ./configs/quick_start/R50_vd_distill_MV3_large_x1_0.yaml

3.5 其他模型

  • 如果希望尝试更多的模型结构，可以很方便地修改模型名称，下面给出了使用MobileNetV3模型训练的命令。
export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch \  
    --selected_gpus="0" \  
    --log_dir=log_train \  
    tools/train.py \  
        -c ./configs/quick_start/MobileNetV3_large_x1_0_finetune.yaml
  • 如果希望尝试增广方式，可以通过以下命令提供体验RandomErasing数据增广的训练效果。
export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch \  
    --selected_gpus="0" \  
    --log_dir=log_train \  
    tools/train.py \  
        -c ./configs/quick_start/ResNet50_vd_ssld_random_erasing_finetune.yaml

3.6 精度一览

  • 下表给出了不同训练yaml文件对应的精度。
配置文件 Top1 Acc
ResNet50_vd.yaml 0.2735
MobileNetV3_large_x1_0_finetune.yaml 0.9000
ResNet50_vd_finetune.yaml 0.9402
ResNet50_vd_ssld_finetune.yaml 0.9500
ResNet50_vd_ssld_random_erasing_finetune.yaml 0.9627
R50_vd_distill_MV3_large_x1_0.yaml 0.9647

下图给出了不同配置文件的Loss与Top1 Acc的精度对比。

Top1 Acc曲线如下所示。

3.7 总结

  • 对于新数据集，更推荐通过加载预训练模型进行微调的方式进行训练，以在新的数据集上获得更高的精度，减少收敛时间。
  • 预训练模型
  • 不同模型结构的网络在相同数据集上的性能表现不同，需要根据预测耗时以及存储的需求选择合适的模型。
  • 数据增广在小数据集的训练中可以进一步提升模型精度。PaddleClas中也提供了8种数据增广方式，您也开业
  • 无标签数据的知识蒸馏可以大幅提升学生模型的精度，甚至超越教师模型。