139 lines
8.4 KiB
Markdown
139 lines
8.4 KiB
Markdown
# GhostNet 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 SD855 的预测速度和存储大小](#1.3.1)
|
||
- [1.3.2 基于 V100 GPU 的预测速度](#1.3.2)
|
||
- [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
|
||
|
||
GhostNet 是华为于 2020 年提出的一种全新的轻量化网络结构，通过引入 ghost module，大大减缓了传统深度网络中特征的冗余计算问题，使得网络的参数量和计算量大大降低。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
目前 PaddleClas 开源的的移动端系列的预训练模型一共有 35 个，其指标如图所示。从图片可以看出，越新的轻量级模型往往有更优的表现，MobileNetV3 代表了目前主流的轻量级神经网络结构。在 MobileNetV3 中，作者为了获得更高的精度，在 global-avg-pooling 后使用了 1x1 的卷积。该操作大幅提升了参数量但对计算量影响不大，所以如果从存储角度评价模型的优异程度，MobileNetV3 优势不是很大，但由于其更小的计算量，使得其有更快的推理速度。此外，我们模型库中的 ssld 蒸馏模型表现优异，从各个考量角度下，都刷新了当前轻量级模型的精度。由于 MobileNetV3 模型结构复杂，分支较多，对 GPU 并不友好，GPU 预测速度不如 MobileNetV1。GhostNet 于 2020 年提出，通过引入 ghost 的网络设计理念，大大降低了计算量和参数量，同时在精度上也超过前期最高的 MobileNetV3 网络结构。
|
||
|
||
<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) |
|
||
|:--:|:--:|:--:|:--:|:--:|:--:|:--:|
|
||
| GhostNet_x0_5 | 0.668 | 0.869 | 0.662 | 0.866 | 0.082 | 2.600 |
|
||
| GhostNet_x1_0 | 0.740 | 0.916 | 0.739 | 0.914 | 0.294 | 5.200 |
|
||
| GhostNet_x1_3 | 0.757 | 0.925 | 0.757 | 0.927 | 0.440 | 7.300 |
|
||
| GhostNet_x1_3_ssld | 0.794 | 0.945 | 0.757 | 0.927 | 0.440 | 7.300 |
|
||
|
||
### 1.3 Benchmark
|
||
|
||
<a name='1.3.1'></a>
|
||
|
||
#### 1.3.1 基于 SD855 的预测速度和存储大小
|
||
|
||
| 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 | Storage Size(M) |
|
||
|:--:|----|----|----|----|
|
||
| GhostNet_x0_5 | 5.28 | 3.95 | 3.29 | 10.000 |
|
||
| GhostNet_x1_0 | 12.89 | 8.66 | 6.72 | 20.000 |
|
||
| GhostNet_x1_3 | 19.16 | 12.25 | 9.40 | 29.000 |
|
||
| GhostNet_x1_3_ssld | 19.16 | 17.85 | 10.18 | 29.000 |
|
||
|
||
<a name='1.3.2'></a>
|
||
|
||
#### 1.3.2 基于 V100 GPU 的预测速度
|
||
|
||
| Models | Crop Size | Resize Short Size | FP32<br/>Batch Size=1<br/>(ms) | FP32<br/>Batch Size=4<br/>(ms) | FP32<br/>Batch Size=8<br/>(ms) |
|
||
| -------------------------------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ |
|
||
| GhostNet_x0_5 | 224 | 256 | 1.10 | 1.42 | 1.47 |
|
||
| GhostNet_x1_0 | 224 | 256 | 1.07 | 1.71 | 2.25 |
|
||
| GhostNet_x1_3 | 224 | 256 | 1.28 | 2.04 | 2.66 |
|
||
| GhostNet_x1_3_ssld | 224 | 256 | 1.28 | 2.04 | 2.66 |
|
||
|
||
**备注：** 精度类型为 FP32，推理过程使用 TensorRT-8.0.3.4。
|
||
|
||
<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/GhostNet/` 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。
|