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

16 KiB
Raw Blame History

PULC 有人/无人分类模型

此处提供了用户使用 PaddleClas 的 超轻量图像分类方案(PULC, Practical Ultra Lightweight Classification) 快速构建轻量级、高精度、可落地的有人/无人的分类模型教程，主要基于有人/无人场景的数据，融合了轻量级骨干网络 PPLCNet、SSLD 预训练权重、EDA 数据增强策略、SKL-UGI 知识蒸馏策略、SHAS 超参数搜索策略，得到精度高、速度快、易于部署的二分类模型。

目录

1. 应用场景介绍

该案例提供了可以产出超轻量级二分类模型的方法。使用该方法训练得到的模型可以快速判断图片中是否有人，该模型可以广泛应用于如监控场景、人员进出管控场景、海量数据过滤场景等。

2. 模型快速体验

2.1 PULC 有人/无人分类模型介绍

下表列出了判断图片中是否有人的二分类模型的相关指标，其中，最后一行是根据 PULC 策略训练得到的模型，该模型与其他较大的模型相比，相同推理速度下拥有更高的精度，相同推理速度下拥有更高的精度。比如，与 SwinTransformer-tiny 相比，PULC 得到的模型相同在精度下，速度快 70+ 倍。训练方法和推理部署方法将在下面详细介绍。

模型 精度（%） 延时（ms） 存储（M） 策略
SwinTranformer_tiny 95.69 175.52 107 使用ImageNet预训练模型
MobileNetV3_large_x1_0 91.97 4.70 17 使用ImageNet预训练模型
PPLCNet_x1_0 89.57 2.36 6.5 使用ImageNet预训练模型
PPLCNet_x1_0 92.10 2.36 6.5 使用SSLD预训练模型
PPLCNet_x1_0 93.43 2.36 6.5 使用SSLD预训练模型+EDA策略
PPLCNet_x1_0 95.60 2.36 6.5 使用SSLD预训练模型+EDA策略+SKL-UGI知识蒸馏策略

备注： 关于PPLCNet的介绍可以参考PPLCNet介绍，相关论文可以查阅PPLCNet paper。

2.2 环境配置

2.3 模型推理预测

2.3.1 下载模型

  • 进入 deploy 运行目录。
cd deploy

下载有人/无人分类的推理模型。

mkdir models
cd models
# 下载 inference 模型并解压
wget https://paddleclas.bj.bcebos.com/models/PULC/person_exists_infer.tar && tar -xf person_exists_infer.tar

解压完毕后，models 文件夹下应有如下文件结构：

├── person_exists_infer
│   ├── inference.pdiparams
│   ├── inference.pdiparams.info
│   └── inference.pdmodel

2.3.2 模型推理预测

2.3.2.1 预测单张图像

返回 deploy 目录：

cd ../

运行下面的命令，对图像 ./images/PULC/person_exists/objects365_02035329.jpg 进行有人/无人分类。

# 使用下面的命令使用 GPU 进行预测
python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o PostProcess.ThreshOutput.threshold=0.9794
# 使用下面的命令使用 CPU 进行预测
python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o PostProcess.ThreshOutput.threshold=0.9794 -o Global.use_gpu=False

输出结果如下。

objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']

备注： 真实场景中往往需要在假正类率（Fpr）小于某一个指标下求真正类率（Tpr），该场景中的 val 数据集在千分之一 Fpr 下得到的最佳 Tpr 所得到的阈值为 0.9794，故此处的 threshold 为 0.9794。该阈值的确定方法可以参考3.2.1节备注部分。

2.3.2.2 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。

# 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
python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o Global.infer_imgs="./images/PULC/person_exists/"

终端中会输出该文件夹内所有图像的分类结果，如下所示。

objects365_01780782.jpg:	class id(s): [0], score(s): [1.00], label_name(s): ['nobody']
objects365_02035329.jpg:	class id(s): [1], score(s): [1.00], label_name(s): ['someone']

其中，someone 表示该图里存在人，nobody 表示该图里不存在人。

3.PULC 有人/无人分类模型训练

3.1 数据准备

3.1.1 数据集来源

本案例中所使用的所有数据集均为开源数据，train 集合为MS-COCO 数据的训练集的子集，val 集合为Object365 数据的训练集的子集，ImageNet_val 为ImageNet-1k 数据的验证集。

3.1.2 数据集获取

在公开数据集的基础上经过后处理即可得到本案例需要的数据，具体处理方法如下：

  • 训练集合，本案例处理了 MS-COCO 数据训练集的标注文件，如果某张图含有“人”的标签，且这个框的面积在整张图中的比例大于 10%，即认为该张图中含有人，如果某张图中没有“人”的标签，则认为该张图中不含有人。经过处理后，得到 92964 条可用数据，其中有人的数据有 39813 条，无人的数据 53151 条。

  • 验证集合，从 Object365 数据中随机抽取一小部分数据，使用在 MS-COCO 上训练得到的较好的模型预测这些数据，将预测结果和数据的标注文件取交集，将交集的结果按照得到训练集的方法筛选出验证集合。经过处理后，得到 27820 条可用数据。其中有人的数据有 2255 条，无人的数据有 25565 条。

处理后的数据集部分数据可视化如下：

此处提供了经过上述方法处理好的数据，可以直接下载得到。

进入 PaddleClas 目录。

cd path_to_PaddleClas

进入 dataset/ 目录，下载并解压有人/无人场景的数据。

cd dataset
wget https://paddleclas.bj.bcebos.com/data/PULC/person_exists.tar
tar -xf person_exists.tar
cd ../

执行上述命令后，dataset/ 下存在 person_exists 目录，该目录中具有以下数据：


├── train
│   ├── 000000000009.jpg
│   ├── 000000000025.jpg
...
├── val
│   ├── objects365_01780637.jpg
│   ├── objects365_01780640.jpg
...
├── ImageNet_val
│   ├── ILSVRC2012_val_00000001.JPEG
│   ├── ILSVRC2012_val_00000002.JPEG
...
├── train_list.txt
├── train_list.txt.debug
├── train_list_for_distill.txt
├── val_list.txt
└── val_list.txt.debug

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，train_list.txt.debug 和 val_list.txt.debug 分别为训练集和验证集的 debug 标签文件，其分别是 train_list.txt 和 val_list.txt 的子集，用该文件可以快速体验本案例的流程。ImageNet_val/ 是 ImageNet-1k 的验证集，该集合和 train 集合的混合数据用于本案例的 SKL-UGI知识蒸馏策略，对应的训练标签文件为 train_list_for_distill.txt 。关于如何得到蒸馏的标签可以参考知识蒸馏标签获得。

3.2 模型训练

3.2.1 基于默认超参数训练轻量级模型

在 ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml 中提供了基于该场景的训练配置，可以通过如下脚本启动训练：

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml

验证集的最佳指标在 0.94-0.95 之间（数据集较小，容易造成波动）。

备注：

  • 此时使用的指标为Tpr，该指标描述了在假正类率（Fpr）小于某一个指标时的真正类率（Tpr），是产业中二分类问题常用的指标之一。在本案例中，Fpr 为千分之一。关于 Fpr 和 Tpr 的更多介绍，可以参考这里。

  • 在eval时，会打印出来当前最佳的 TprAtFpr 指标，具体地，其会打印当前的 Fpr、Tpr 值，以及当前的 threshold值，Tpr 值反映了在当前 Fpr 值下的召回率，该值越高，代表模型越好。threshold 表示当前最佳 Fpr 所对应的分类阈值，可用于后续模型部署落地等。

3.2.2 基于默认超参数训练教师模型

复用 ppcls/configs/PULC/person_exists/PPLCNet/PPLCNet_x1_0.yaml 中的超参数，训练教师模型，训练脚本如下：

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/PULC/person_exists/PPLCNet/PPLCNet_x1_0.yaml \
        -o Arch.name=ResNet101_vd

验证集的最佳指标为 0.96-0.98 之间，当前教师模型最好的权重保存在 output/ResNet101_vd/best_model.pdparams。

3.2.3 基于默认超参数进行蒸馏训练

配置文件ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml提供了SKL-UGI知识蒸馏策略的配置。该配置将ResNet101_vd当作教师模型，PPLCNet_x1_0当作学生模型，使用ImageNet数据集的验证集作为新增的无标签数据。训练脚本如下：

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml \
        -o Arch.models.0.Teacher.pretrained=output/ResNet101_vd/best_model

验证集的最佳指标为 0.95-0.97 之间，当前模型最好的权重保存在 output/DistillationModel/best_model_student.pdparams。

备注：

  • 此时的默认超参数是经过SHAS超参数搜索策略得到的，关于此部分内容，可以参考SHAS 超参数搜索策略。

4. 模型评估与推理部署

4.1 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。

python3 tools/eval.py \
    -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml \
    -o Global.pretrained_model="output/DistillationModel/best_model_student"

4.2 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：

python3 tools/infer.py \
    -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml \
    -o Global.pretrained_model=output/DistillationModel/best_model_student \
    -o Global.pretrained_model=Infer.PostProcess.threshold=0.9794

输出结果如下：

[{'class_ids': [0], 'scores': [0.9878496769815683], 'label_names': ['nobody'], 'file_name': './dataset/person_exists/val/objects365_01780637.jpg'}]

备注：

  • 默认是对 deploy/images/PULC/person_exists/objects365_02035329.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。

  • 这里的 Infer.PostProcess.threshold 的值需要根据实际场景来确定，此处的 0.9794 是在该场景中的 val 数据集在千分之一 Fpr 下得到的最佳 Tpr 所得到的。

4.3 使用 inference 模型进行推理

4.3.1 导出 inference 模型

通过导出 inference 模型，PaddlePaddle 支持使用预测引擎进行预测推理。接下来介绍如何用预测引擎进行推理： 首先，对训练好的模型进行转换：

python3 tools/export_model.py \
    -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml \
    -o Global.pretrained_model=output/DistillationModel/best_model_student \
    -o Global.save_inference_dir=deploy/models/PPLCNet_x1_0_person_exists_infer

执行完该脚本后会在 deploy/models/ 下生成 PPLCNet_x1_0_person_exists_infer 文件夹，该文件夹中的模型与 2.3 节下载的推理预测模型格式一致。

4.3.2 基于 inference 模型 python 推理预测

推理预测的脚本为：

python3.7 python/predict_cls.py -c configs/PULC/person_exists/inference_person_exists.yaml -o Global.inference_model_dir="models/PPLCNet_x1_0_person_exists_infer" -o PostProcess.ThreshOutput.threshold=0.9794

备注：

  • 此处的 PostProcess.ThreshOutput.threshold 由eval时的最佳 threshold 来确定。
  • 更多关于推理的细节，可以参考2.3节。

4.3.3 基于 inference 模型 C++ 推理预测

PaddleClas 提供了 C++ 推理预测的示例，您可以参考服务器端 C++ 预测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 编译指南完成相应的预测库编译和模型预测工作。

4.4 基于 Paddle Serving 完成模型服务化部署

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来完成相应的部署工作。

4.5 基于 Paddle Lite 完成模型端侧部署

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来 完成相应的部署工作。