Skip to content

P
PaddleClas

PaddlePaddle / PaddleClas
大约 1 年 前同步成功

通知 115
Star 4999
Fork 1114
P
PaddleClas
提交 1151bcff 编写于 作者: W WuHaobo
浏览文件
操作

Merge remote-tracking branch 'upstream/master'

上级 c0268db6 71d574a7
隐藏空白更改
内联 并排
Showing with 217 addition and 347 deletion
README.md
浏览文件 @ 1151bcff
......@@ -6,7 +6,7 @@
PaddleClas的目的是为工业界和学术界提供一个图像分类任务相关的百宝箱，特色如下：
- 模型库：ResNet_vd、MobileNetV3等23种系列的分类网络结构和训练技巧，以及对应的117个分类预训练模型和性能评估
- 高阶使用：高精度的实用知识蒸馏方案（准确率82.39%的ResNet50_vd和78.9%的MobileNetV3）、8种数据增广方法的复现和验证
- 高阶支持：高精度的知识蒸馏方案（准确率82.39%的ResNet50_vd和78.9%的MobileNetV3）、8种数据增广方法的复现和验证
- 应用拓展：常见视觉任务的特色方案，包括图像分类领域的迁移学习（百度自研的10万类图像分类预训练模型）和通用目标检测（mAP 47.8%的实用检测方案）等
......@@ -16,25 +16,25 @@ PaddleClas的目的是为工业界和学术界提供一个图像分类任务相
## 模型库
基于ImageNet1k分类数据集，PaddleClas提供ResNet、ResNet_vd、EfficientNet、Res2Net、HRNet、MobileNetV3等23种系列的分类网络结构的简单介绍、论文指标复现配置，以及在复现过程中的训练技巧。与此同时，PaddleClas也提供了对应的117个图像分类预训练模型，并且基于TensorRT评估了所有模型的GPU预测时间，以及在骁龙855（SD855）上评估了移动端模型的CPU预测时间和存储大小。支持的***预训练模型列表、下载地址以及更多信息***请见文档教程中的[**模型库章节**](https://paddleclas.readthedocs.io/zh_CN/latest/zh_cn/models/models_intro.html)。
基于ImageNet1k分类数据集，PaddleClas提供ResNet、ResNet_vd、EfficientNet、Res2Net、HRNet、MobileNetV3等23种系列的分类网络结构的简单介绍、论文指标复现配置，以及在复现过程中的训练技巧。与此同时，PaddleClas也提供了对应的117个图像分类预训练模型，并且基于TensorRT评估了所有模型的GPU预测时间，以及在骁龙855（SD855）上评估了移动端模型的CPU预测时间和存储大小。支持的***预训练模型列表、下载地址以及更多信息***请见文档教程中的[**模型库章节**](https://paddleclas.readthedocs.io/zh_CN/latest/models/models_intro.html)。
<div align="center">
<img src="docs/images/models/main_fps_top1.png" width="600">
<img src="docs/images/models/main_fps_top1.png" width="700">
</div>
上图展示了一些适合服务器端应用的模型，使用V100，FP16和TensorRT预测一个batch的时间，其中batch_size=32，图中ResNet50_vd_ssld，是采用PaddleClas提供的SSLD蒸馏方法训练的模型。图中相同颜色和符号的点代表同一系列不同规模的模型。不同模型的FLOPS和Parameters、FP16和FP32的预测时间以及不同batch_size的预测时间请参考文档教程中的[**模型库章节**](https://paddleclas.readthedocs.io/zh_CN/latest/zh_cn/models/models_intro.html)。
上图展示了一些适合服务器端应用的模型，使用V100，FP32和TensorRT预测一张图像的时间，图中ResNet50_vd_ssld和ResNet101_vd_ssld，是采用PaddleClas提供的SSLD蒸馏方法训练的模型。图中相同颜色和符号的点代表同一系列不同规模的模型。不同模型的简介、FLOPS、Parameters以及详细GPU预测时间请参考文档教程中的[**模型库章节**](https://paddleclas.readthedocs.io/zh_CN/latest/models/models_intro.html)。
<div align="center">
<img
src="docs/images/models/mobile_arm_top1.png" width="700">
</div>
上图展示了一些适合移动端应用的模型，在SD855上预测一张图像的CPU时间。图中MV3_large_x1_0_ssld（M是MobileNet的简称），MV3_small_x1_0_ssld、MV2_ssld和MV1_ssld，是采用PaddleClas提供的SSLD蒸馏方法训练的模型。MV3_large_x1_0_ssld_int8是进一步进行INT8量化的模型。不同模型的FLOPS、Parameters、模型存储大小，以及更多的GPU预测时间请参考文档教程中的[**模型库章节**](https://paddleclas.readthedocs.io/zh_CN/latest/zh_cn/models/models_intro.html)。
上图展示了一些适合移动端应用的模型，在SD855上预测一张图像的CPU时间。图中MV3_large_x1_0_ssld（M是MobileNet的简称），MV3_small_x1_0_ssld、MV2_ssld和MV1_ssld，是采用PaddleClas提供的SSLD蒸馏方法训练的模型。MV3_large_x1_0_ssld_int8是进一步进行INT8量化的模型。不同模型的简介、FLOPS、Parameters和模型存储大小请参考文档教程中的[**模型库章节**](https://paddleclas.readthedocs.io/zh_CN/latest/models/models_intro.html)。
- TODO
- [ ] EfficientLite、GhostNet、RegNet论文指标复现和性能评估
## 高阶使用
## 高阶支持
除了提供丰富的分类网络结构和预训练模型，PaddleClas也支持了一系列有助于图像分类任务效果和效率提升的算法或工具。
### 知识蒸馏
......@@ -42,10 +42,10 @@ src="docs/images/models/mobile_arm_top1.png" width="700">
<div align="center">
<img
src="docs/images/distillation/distillation_perform.png" width="500">
src="docs/images/distillation/distillation_perform.png" width="700">
</div>
PaddleClas提供了一种简单的半监督标签知识蒸馏方案（SSLD，Simple Semi-supervised Label Distillation），使用该方案大幅提升了ResNet50_vd、MobileNetV1、MobileNetV2和MobileNetV3在ImageNet数据集上分类效果，如上图所示。该知识蒸馏方案的框架图如下，详细的知识蒸馏方法介绍以及使用正在持续更新中。
PaddleClas提供了一种简单的半监督标签知识蒸馏方案（SSLD，Simple Semi-supervised Label Distillation），使用该方案大幅提升了ResNet101_vd，ResNet50_vd、MobileNetV1、MobileNetV2和MobileNetV3在ImageNet数据集上分类效果，如上图所示。该知识蒸馏方案的框架图如下，详细的知识蒸馏方法介绍以及使用正在持续更新中。
<div align="center">
<img
......@@ -54,7 +54,7 @@ src="docs/images/distillation/ppcls_distillation_v1.png" width="700">
### 数据增广
在图像分类任务中，图像数据的增广是一种常用的正则化方法，可以有效提升图像分类的效果，尤其对于数据量不足或者模型网络较大的场景。PaddleClas支持了最新的8种数据增广算法的复现和在统一实验环境下的效果评估，如下图所示。每种数据增广方法的详细介绍、对比的实验环境以及使用正在持续更新中。
在图像分类任务中，图像数据的增广是一种常用的正则化方法，可以有效提升图像分类的效果，尤其对于数据量不足或者模型网络较大的场景。PaddleClas支持了最新的8种数据增广算法的复现和在统一实验环境下的效果评估，下图展示了不同数据增广方式在ResNet50上的表现。每种数据增广方法的详细介绍、对比的实验环境以及使用正在持续更新中。
<div align="center">
<img
......@@ -65,6 +65,9 @@ src="docs/images/image_aug/main_image_aug.png" width="600">
- [ ] 更多的优化器支持和效果验证
- [ ] 支持模型可解释性工具
## 开始使用
PaddleClas的安装说明、模型训练、预测、评估以及模型微调（fine-tuning）请参考文档教程中的[**初级使用章节**](https://paddleclas.readthedocs.io/zh_CN/latest/tutorials/index.html)，SSLD知识蒸馏和数据增广的高阶使用正在持续更新中。
## 应用拓展
效果更优的图像分类网络结构和预训练模型往往有助于提升其他视觉任务的效果，PaddleClas提供了一系列在常见视觉任务中的特色方案。
......@@ -86,7 +89,7 @@ src="docs/images/det/pssdet.png" width="500">
- [ ] PaddleClas在人脸检测和识别中的特色应用
## 实用工具
PaddlePaddle提供了一系列实用工具，便于工业应用部署PaddleClas，具体请参考文档教程中的[**实用工具章节**](https://paddleclas.readthedocs.io/zh_CN/latest/zh_cn/extension/index.html)。
PaddlePaddle提供了一系列实用工具，便于工业应用部署PaddleClas，具体请参考文档教程中的[**实用工具章节**](https://paddleclas.readthedocs.io/zh_CN/latest/extension/index.html)。
- TensorRT预测
- Paddle-Lite
......@@ -96,7 +99,7 @@ PaddlePaddle提供了一系列实用工具，便于工业应用部署PaddleClas
- Paddle Hub
## 赛事支持
PaddleClas的建设源于百度实际视觉业务应用的淬炼和视觉前沿能力的探索，助力多个视觉重点赛事取得领先成绩，并且持续推进更多的前沿视觉问题的解决和落地应用。更多内容请关注文档教程中的[**赛事支持章节**](https://paddleclas.readthedocs.io/zh_CN/latest/zh_cn/competition_support.html)
PaddleClas的建设源于百度实际视觉业务应用的淬炼和视觉前沿能力的探索，助力多个视觉重点赛事取得领先成绩，并且持续推进更多的前沿视觉问题的解决和落地应用。更多内容请关注文档教程中的[**赛事支持章节**](https://paddleclas.readthedocs.io/zh_CN/latest/competition_support.html)
- 2018年Kaggle Open Images V4图像目标检测挑战赛冠军
- 2019年Kaggle Open Images V5图像目标检测挑战赛亚军
......
configs/pretrained.list
浏览文件 @ 1151bcff
......@@ -12,6 +12,7 @@ ResNet101_vd
ResNet152_vd
ResNet200_vd
ResNet50_vd_ssld
ResNet101_vd_ssld
MobileNetV3_large_x0_35
MobileNetV3_large_x0_5
MobileNetV3_large_x0_75
......
docs/images/models/main_fps_top1.png 100644 → 100755
查看替换文件 @ c0268db6 浏览文件 @ 1151bcff
docs/images/models/main_fps_top1.png

301.6 KB | W: | H:

docs/images/models/main_fps_top1.png

356.5 KB | W: | H:

docs/images/models/main_fps_top1.png
docs/images/models/main_fps_top1.png
docs/images/models/main_fps_top1.png
docs/images/models/main_fps_top1.png
  • 2-up
  • Swipe
  • Onion skin
docs/images/models/mobile_arm_storage.png 100644 → 100755
浏览文件 @ 1151bcff
文件模式从 100644 更改为 100755
docs/images/models/mobile_arm_top1.png 100644 → 100755
浏览文件 @ 1151bcff
文件模式从 100644 更改为 100755
docs/zh_CN/extension/paddle_inference.md
浏览文件 @ 1151bcff
......@@ -97,7 +97,7 @@ python tools/export_model.py \
## 三、预测引擎 + inference 模型预测
在模型库的 `tools/predict.py` 中提供了完整的示例，只需执行下述命令即可完成预测：
在模型库的 `tools/infer/predict.py` 中提供了完整的示例，只需执行下述命令即可完成预测：
```
python ./predict.py \
......@@ -163,10 +163,10 @@ predictor.zero_copy_run()
## 四、训练引擎 + persistable 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预测：
在模型库的 `tools/infer/infer.py` 中提供了完整的示例，只需执行下述命令即可完成预测：
```python
python tools/infer.py \
python tools/infer/infer.py \
--i=待预测的图片文件路径 \
--m=模型名称 \
--p=persistable 模型路径 \
......@@ -214,10 +214,10 @@ outputs = exe.run(infer_prog,
## 五、训练引擎 + inference 模型预测
在模型库的 `tools/py_infer.py` 中提供了完整的示例，只需执行下述命令即可完成预测：
在模型库的 `tools/infer/py_infer.py` 中提供了完整的示例，只需执行下述命令即可完成预测：
```python
python tools/py_infer.py \
python tools/infer/py_infer.py \
--i=图片路径 \
--d=模型的存储路径 \
--m=保存的模型文件 \
......
docs/zh_CN/faq.md
浏览文件 @ 1151bcff
# FAQ
## 评估
\ No newline at end of file
>>
* Q: 启动训练后，为什么当前终端中的输出信息一直没有更新？
* A: 启动运行后，日志会实时输出到`mylog/workerlog.*`中，可以在这里查看实时的日志。
>>
* Q: 多卡评估时，为什么每张卡输出的精度指标不相同？
* A: 目前PaddleClas基于fleet api使用多卡，在多卡评估时，每张卡都是单独读取各自part的数据，不同卡中计算的图片是不同的，因此最终指标也会有微量差异，如果希望得到准确的评估指标，可以使用单卡评估。
\ No newline at end of file
docs/zh_CN/models/DPN_DenseNet.md
浏览文件 @ 1151bcff
......@@ -2,9 +2,16 @@
## 概述
正在持续更新中......
![](../../images/models/DPN.png)
所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
![](../../images/models/DPN.png.flops.png)
![](../../images/models/DPN.png.params.png)
![](../../images/models/DPN.png.fp32.png)
所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
## 精度、FLOPS和参数量
......@@ -22,33 +29,19 @@
| DPN131 | 0.807 | 0.951 | 0.801 | 0.949 | 30.510 | 75.360 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| DenseNet121 | 3.653 | 4.560 | 5.574 | 11.517 |
| DenseNet161 | 7.826 | 8.936 | 10.970 | 22.554 |
| DenseNet169 | 5.625 | 6.698 | 7.876 | 14.983 |
| DenseNet201 | 7.243 | 8.537 | 10.111 | 18.928 |
| DenseNet264 | 10.882 | 12.539 | 14.645 | 26.455 |
| DPN68 | 10.310 | 11.060 | 14.299 | 29.618 |
| DPN92 | 16.335 | 17.373 | 23.197 | 45.210 |
| DPN98 | 18.975 | 23.073 | 28.902 | 66.280 |
| DPN107 | 24.932 | 28.607 | 37.513 | 89.112 |
| DPN131 | 25.425 | 29.874 | 37.355 | 88.583 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| DenseNet121 | 3.732 | 6.614 | 8.517 | 21.755 |
| DenseNet161 | 8.282 | 14.438 | 19.336 | 51.953 |
| DenseNet169 | 5.705 | 10.074 | 12.432 | 28.756 |
| DenseNet201 | 7.315 | 13.830 | 16.941 | 38.654 |
| DenseNet264 | 10.986 | 21.460 | 25.724 | 56.501 |
| DPN68 | 10.357 | 11.025 | 14.903 | 34.380 |
| DPN92 | 16.067 | 21.315 | 26.176 | 62.126 |
| DPN98 | 18.455 | 26.710 | 36.009 | 104.084 |
| DPN107 | 24.164 | 37.691 | 51.307 | 148.041 |
| DPN131 | 24.761 | 35.806 | 48.401 | 133.233 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|-------------|-----------|-------------------|--------------------------|
| DenseNet121 | 224 | 256 | 4.371 |
| DenseNet161 | 224 | 256 | 8.863 |
| DenseNet169 | 224 | 256 | 6.391 |
| DenseNet201 | 224 | 256 | 8.173 |
| DenseNet264 | 224 | 256 | 11.942 |
| DPN68 | 224 | 256 | 11.805 |
| DPN92 | 224 | 256 | 17.840 |
| DPN98 | 224 | 256 | 21.057 |
| DPN107 | 224 | 256 | 28.685 |
| DPN131 | 224 | 256 | 28.083 |
docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md
浏览文件 @ 1151bcff
......@@ -2,26 +2,14 @@
## 概述
正在持续更新中......
![](../../images/models/EfficientNet.png)
在预测时，图像的crop_size和resize_short_size如下表所示。
该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
| Models | crop_size | resize_short_size |
|:--:|:--:|:--:|
| ResNeXt101_32x8d_wsl | 224 | 224 |
| ResNeXt101_32x16d_wsl | 224 | 224 |
| ResNeXt101_32x32d_wsl | 224 | 224 |
| ResNeXt101_32x48d_wsl | 224 | 224 |
| Fix_ResNeXt101_32x48d_wsl | 320 | 320 |
| EfficientNetB0 | 224 | 256 |
| EfficientNetB1 | 240 | 272 |
| EfficientNetB2 | 260 | 292 |
| EfficientNetB3 | 300 | 332 |
| EfficientNetB4 | 380 | 412 |
| EfficientNetB5 | 456 | 488 |
| EfficientNetB6 | 528 | 560 |
| EfficientNetB7 | 600 | 632 |
| EfficientNetB0_small | 224 | 256 |
![](../../images/models/EfficientNet.png.flops.png)
![](../../images/models/EfficientNet.png.params.png)
![](../../images/models/EfficientNet.png.fp32.png)
## 精度、FLOPS和参数量
......@@ -44,41 +32,21 @@
| EfficientNetB0_<br>small | 0.758 | 0.926 | | | 0.720 | 4.650 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| ResNeXt101_<br>32x8d_wsl | 16.063 | 16.342 | 24.914 | 45.035 |
| ResNeXt101_<br>32x16d_wsl | 16.471 | 25.235 | 30.762 | 67.869 |
| ResNeXt101_<br>32x32d_wsl | 29.425 | 37.149 | 50.834 | |
| ResNeXt101_<br>32x48d_wsl | 40.311 | 58.414 | | |
| Fix_ResNeXt101_<br>32x48d_wsl | 43.960 | 86.514 | | |
| EfficientNetB0 | 1.759 | 2.748 | 3.761 | 10.178 |
| EfficientNetB1 | 2.592 | 4.122 | 5.829 | 16.262 |
| EfficientNetB2 | 2.866 | 4.715 | 7.064 | 20.954 |
| EfficientNetB3 | 3.869 | 6.815 | 10.672 | 34.097 |
| EfficientNetB4 | 5.626 | 11.937 | 19.753 | 67.436 |
| EfficientNetB5 | 8.907 | 21.685 | 37.248 | 134.185 |
| EfficientNetB6 | 13.591 | 34.093 | 60.976 | |
| EfficientNetB7 | 20.963 | 56.397 | 103.971 | |
| EfficientNetB0_<br>small | 1.039 | 1.665 | 2.493 | 7.748 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| ResNeXt101_<br>32x8d_wsl | 16.325 | 25.633 | 37.196 | 108.535 |
| ResNeXt101_<br>32x16d_wsl | 25.224 | 40.929 | 62.898 | |
| ResNeXt101_<br>32x32d_wsl | 41.047 | 79.575 | | |
| ResNeXt101_<br>32x48d_wsl | 60.610 | | | |
| Fix_ResNeXt101_<br>32x48d_wsl | 80.280 | | | |
| EfficientNetB0 | 1.902 | 3.296 | 4.361 | 11.319 |
| EfficientNetB1 | 2.908 | 5.093 | 6.900 | 18.015 |
| EfficientNetB2 | 3.324 | 5.832 | 8.357 | 23.371 |
| EfficientNetB3 | 4.557 | 8.526 | 12.485 | 38.124 |
| EfficientNetB4 | 6.767 | 14.742 | 23.218 | 77.590 |
| EfficientNetB5 | 11.097 | 26.642 | 43.590 | |
| EfficientNetB6 | 17.582 | 42.408 | 74.336 | |
| EfficientNetB7 | 26.529 | 70.337 | 126.839 | |
| EfficientNetB0_<br>small | 1.171 | 2.026 | 2.906 | 8.506 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|-------------------------------|-----------|-------------------|--------------------------|
| ResNeXt101_<br>32x8d_wsl | 224 | 256 | 19.127 |
| ResNeXt101_<br>32x16d_wsl | 224 | 256 | 23.629 |
| ResNeXt101_<br>32x32d_wsl | 224 | 256 | 40.214 |
| ResNeXt101_<br>32x48d_wsl | 224 | 256 | 59.714 |
| Fix_ResNeXt101_<br>32x48d_wsl | 320 | 320 | 82.431 |
| EfficientNetB0 | 224 | 256 | 2.449 |
| EfficientNetB1 | 240 | 272 | 3.547 |
| EfficientNetB2 | 260 | 292 | 3.908 |
| EfficientNetB3 | 300 | 332 | 5.145 |
| EfficientNetB4 | 380 | 412 | 7.609 |
| EfficientNetB5 | 456 | 488 | 12.078 |
| EfficientNetB6 | 528 | 560 | 18.381 |
| EfficientNetB7 | 600 | 632 | 27.817 |
| EfficientNetB0_<br>small | 224 | 256 | 1.692 |
docs/zh_CN/models/HRNet.md
浏览文件 @ 1151bcff
......@@ -2,8 +2,14 @@
## 概述
正在持续更新中......
![](../../images/models/HRNet.png)
所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
![](../../images/models/HRNet.png.flops.png)
![](../../images/models/HRNet.png.params.png)
![](../../images/models/HRNet.png.fp32.png)
## 精度、FLOPS和参数量
......@@ -19,27 +25,14 @@
| HRNet_W64_C | 0.793 | 0.946 | 0.795 | 0.946 | 57.830 | 128.060 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| HRNet_W18_C | 6.188 | 7.207 | 9.149 | 18.221 |
| HRNet_W30_C | 7.941 | 8.851 | 10.540 | 21.129 |
| HRNet_W32_C | 7.904 | 8.890 | 10.752 | 21.159 |
| HRNet_W40_C | 9.233 | 11.600 | 13.927 | 29.868 |
| HRNet_W44_C | 9.917 | 12.119 | 15.555 | 31.948 |
| HRNet_W48_C | 10.198 | 12.399 | 15.572 | 32.210 |
| HRNet_W64_C | 12.264 | 14.552 | 18.251 | 41.106 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| HRNet_W18_C | 6.828 | 8.552 | 11.154 | 30.665 |
| HRNet_W30_C | 8.901 | 11.067 | 14.421 | 43.459 |
| HRNet_W32_C | 8.983 | 11.334 | 14.688 | 44.564 |
| HRNet_W40_C | 10.300 | 14.720 | 20.257 | 64.346 |
| HRNet_W44_C | 11.183 | 15.830 | 25.292 | 73.136 |
| HRNet_W48_C | 11.619 | 16.791 | 26.569 | 77.536 |
| HRNet_W64_C | 14.434 | 20.988 | 35.114 | 117.434 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|-------------|-----------|-------------------|--------------------------|
| HRNet_W18_C | 224 | 256 | 7.368 |
| HRNet_W30_C | 224 | 256 | 9.402 |
| HRNet_W32_C | 224 | 256 | 9.467 |
| HRNet_W40_C | 224 | 256 | 10.739 |
| HRNet_W44_C | 224 | 256 | 11.497 |
| HRNet_W48_C | 224 | 256 | 12.165 |
| HRNet_W64_C | 224 | 256 | 15.003 |
docs/zh_CN/models/Inception.md
浏览文件 @ 1151bcff
......@@ -2,8 +2,14 @@
## 概述
正在持续更新中......
![](../../images/models/Inception.png)
GoogLeNet在预测时，图像的crop_size设置为224，resize_short_size设置为256，其余模型在预测时，图像的crop_size设置为299，resize_short_size设置为320。
该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
![](../../images/models/Inception.png.flops.png)
![](../../images/models/Inception.png.params.png)
![](../../images/models/Inception.png.fp32.png)
## 精度、FLOPS和参数量
......@@ -19,27 +25,15 @@ GoogLeNet在预测时，图像的crop_size设置为224，resize_short_size设置
| InceptionV4 | 0.808 | 0.953 | 0.800 | 0.950 | 24.570 | 42.680 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| GoogLeNet | 1.428 | 1.833 | 2.138 | 4.143 |
| Xception41 | 1.545 | 2.772 | 4.961 | 18.447 |
| Xception41<br>_deeplab | 1.630 | 2.647 | 4.462 | 16.354 |
| Xception65 | 5.398 | 4.215 | 8.611 | 28.702 |
| Xception65<br>_deeplab | 5.317 | 3.688 | 6.168 | 23.108 |
| Xception71 | 2.732 | 5.033 | 8.948 | 33.857 |
| InceptionV4 | 6.172 | 7.558 | 9.527 | 24.021 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| GoogLeNet | 1.436 | 2.904 | 3.800 | 9.049 |
| Xception41 | 3.402 | 7.889 | 14.953 | 56.142 |
| Xception41<br>_deeplab | 3.778 | 8.396 | 15.449 | 58.735 |
| Xception65 | 6.802 | 13.935 | 34.301 | 87.256 |
| Xception65<br>_deeplab | 8.583 | 12.132 | 22.917 | 87.983 |
| Xception71 | 6.156 | 14.359 | 27.360 | 107.282 |
| InceptionV4 | 10.384 | 17.438 | 23.312 | 68.777 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|------------------------|-----------|-------------------|--------------------------|
| GoogLeNet | 224 | 256 | 1.807 |
| Xception41 | 299 | 320 | 3.972 |
| Xception41<br>_deeplab | 299 | 320 | 4.408 |
| Xception65 | 299 | 320 | 6.174 |
| Xception65<br>_deeplab | 299 | 320 | 6.464 |
| Xception71 | 299 | 320 | 6.782 |
| InceptionV4 | 299 | 320 | 11.141 |
docs/zh_CN/models/Mobile.md
浏览文件 @ 1151bcff
......@@ -10,11 +10,10 @@ ShuffleNet系列网络是旷视提出的轻量化网络结构，到目前为止
MobileNetV3是Google于2019年提出的一种基于NAS的新的轻量级网络，为了进一步提升效果，将relu和sigmoid激活函数分别替换为hard_swish与hard_sigmoid激活函数，同时引入了一些专门减小网络计算量的改进策略。
![](../../images/models/mobile_arm_top1.png)
![](../../images/models/mobile_arm_storage.png)
![](../../images/models/mobile_trt.png)
![](../../images/models/mobile_trt.png.flops.png)
![](../../images/models/mobile_trt.png.params.png)
目前PaddleClas开源的的移动端系列的预训练模型一共有32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代表了目前最新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。
**注意**：所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
## 精度、FLOPS和参数量
......@@ -54,80 +53,6 @@ MobileNetV3是Google于2019年提出的一种基于NAS的新的轻量级网络
| ShuffleNetV2_swish | 0.700 | 0.892 | | | 0.290 | 2.260 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| MobileNetV1_x0_25 | 0.236 | 0.258 | 0.281 | 0.556 |
| MobileNetV1_x0_5 | 0.246 | 0.318 | 0.364 | 0.845 |
| MobileNetV1_x0_75 | 0.303 | 0.380 | 0.512 | 1.164 |
| MobileNetV1 | 0.340 | 0.426 | 0.601 | 1.578 |
| MobileNetV1_ssld | 0.340 | 0.426 | 0.601 | 1.578 |
| MobileNetV2_x0_25 | 0.432 | 0.488 | 0.532 | 0.967 |
| MobileNetV2_x0_5 | 0.475 | 0.564 | 0.654 | 1.296 |
| MobileNetV2_x0_75 | 0.553 | 0.653 | 0.821 | 1.761 |
| MobileNetV2 | 0.610 | 0.738 | 0.931 | 2.115 |
| MobileNetV2_x1_5 | 0.731 | 0.966 | 1.252 | 3.152 |
| MobileNetV2_x2_0 | 0.870 | 1.123 | 1.494 | 3.910 |
| MobileNetV2_ssld | 0.610 | 0.738 | 0.931 | 2.115 |
| MobileNetV3_large_<br>x1_25 | 2.004 | 2.223 | 2.433 | 5.954 |
| MobileNetV3_large_<br>x1_0 | 1.943 | 2.203 | 2.113 | 4.823 |
| MobileNetV3_large_<br>x0_75 | 2.107 | 2.266 | 2.120 | 3.968 |
| MobileNetV3_large_<br>x0_5 | 1.942 | 2.178 | 2.179 | 2.936 |
| MobileNetV3_large_<br>x0_35 | 1.994 | 2.407 | 2.285 | 2.420 |
| MobileNetV3_small_<br>x1_25 | 1.876 | 2.141 | 2.118 | 3.423 |
| MobileNetV3_small_<br>x1_0 | 1.751 | 2.160 | 2.203 | 2.830 |
| MobileNetV3_small_<br>x0_75 | 1.856 | 2.235 | 2.166 | 2.464 |
| MobileNetV3_small_<br>x0_5 | 1.773 | 2.304 | 2.242 | 2.133 |
| MobileNetV3_small_<br>x0_35 | 1.870 | 2.392 | 2.323 | 2.101 |
| MobileNetV3_large_<br>x1_0_ssld | 1.943 | 2.203 | 2.113 | 4.823 | |
| MobileNetV3_small_<br>x1_0_ssld | 1.751 | 2.160 | 2.203 | 2.830 |
| ShuffleNetV2 | 1.134 | 1.068 | 1.199 | 2.558 |
| ShuffleNetV2_x0_25 | 0.911 | 0.953 | 0.948 | 1.327 |
| ShuffleNetV2_x0_33 | 0.853 | 1.072 | 0.958 | 1.398 |
| ShuffleNetV2_x0_5 | 0.858 | 1.059 | 1.084 | 1.620 |
| ShuffleNetV2_x1_5 | 1.040 | 1.153 | 1.394 | 3.452 |
| ShuffleNetV2_x2_0 | 1.061 | 1.316 | 1.694 | 4.485 |
| ShuffleNetV2_swish | 1.688 | 1.958 | 1.707 | 3.711 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| MobileNetV1_x0_25 | 0.233 | 0.372 | 0.424 | 0.930 |
| MobileNetV1_x0_5 | 0.281 | 0.532 | 0.677 | 1.808 |
| MobileNetV1_x0_75 | 0.344 | 0.733 | 0.960 | 2.920 |
| MobileNetV1 | 0.420 | 0.963 | 1.462 | 4.769 |
| MobileNetV1_ssld | 0.420 | 0.963 | 1.462 | 4.769 |
| MobileNetV2_x0_25 | 0.718 | 0.738 | 0.775 | 1.482 |
| MobileNetV2_x0_5 | 0.818 | 0.975 | 1.107 | 2.481 |
| MobileNetV2_x0_75 | 0.830 | 1.104 | 1.514 | 3.629 |
| MobileNetV2 | 0.889 | 1.346 | 1.875 | 4.711 |
| MobileNetV2_x1_5 | 1.221 | 1.982 | 2.951 | 7.645 |
| MobileNetV2_x2_0 | 1.546 | 2.625 | 3.734 | 10.429 |
| MobileNetV2_ssld | 0.889 | 1.346 | 1.875 | 4.711 |
| MobileNetV3_large_<br>x1_25 | 2.113 | 2.377 | 3.114 | 7.332 |
| MobileNetV3_large_<br>x1_0 | 1.991 | 2.380 | 2.517 | 5.826 |
| MobileNetV3_large_<br>x0_75 | 2.105 | 2.454 | 2.336 | 4.611 |
| MobileNetV3_large_<br>x0_5 | 1.978 | 2.603 | 2.291 | 3.306 |
| MobileNetV3_large_<br>x0_35 | 2.017 | 2.469 | 2.316 | 2.558 |
| MobileNetV3_small_<br>x1_25 | 1.915 | 2.411 | 2.295 | 3.742 |
| MobileNetV3_small_<br>x1_0 | 1.915 | 2.889 | 2.862 | 3.022 |
| MobileNetV3_small_<br>x0_75 | 1.941 | 2.358 | 2.232 | 2.602 |
| MobileNetV3_small_<br>x0_5 | 1.872 | 2.364 | 2.238 | 2.061 |
| MobileNetV3_small_<br>x0_35 | 1.889 | 2.407 | 2.328 | 2.127 |
| MobileNetV3_large_<br>x1_0_ssld | 1.991 | 2.380 | 2.517 | 5.826 |
| MobileNetV3_small_<br>x1_0_ssld | 1.915 | 2.889 | 2.862 | 3.022 |
| ShuffleNetV2 | 1.328 | 1.211 | 1.440 | 3.210 |
| ShuffleNetV2_x0_25 | 0.905 | 0.908 | 0.924 | 1.284 |
| ShuffleNetV2_x0_33 | 0.871 | 1.073 | 0.891 | 1.416 |
| ShuffleNetV2_x0_5 | 0.852 | 1.150 | 1.093 | 1.702 |
| ShuffleNetV2_x1_5 | 0.874 | 1.470 | 1.889 | 4.490 |
| ShuffleNetV2_x2_0 | 1.443 | 1.908 | 2.556 | 6.864 |
| ShuffleNetV2_swish | 1.694 | 1.856 | 2.101 | 3.942 |
## CPU预测速度和存储大小
| Models | batch_size=1(ms) | Storage Size(M) |
......
docs/zh_CN/models/Others.md
浏览文件 @ 1151bcff
......@@ -3,8 +3,6 @@
## 概述
正在持续更新中......
DarkNet53在预测时，图像的crop_size设置为256，resize_short_size设置为256；其余模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
## 精度、FLOPS和参数量
......@@ -22,31 +20,18 @@ DarkNet53在预测时，图像的crop_size设置为256，resize_short_size设置
| ResNet50_ACNet<br>_deploy | 0.767 | 0.932 | | | 8.190 | 25.550 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| AlexNet | 0.684 | 0.740 | 0.810 | 1.481 |
| SqueezeNet1_0 | 0.545 | 0.841 | 1.146 | 3.501 |
| SqueezeNet1_1 | 0.473 | 0.575 | 0.805 | 1.862 |
| VGG11 | 1.096 | 1.655 | 2.396 | 6.728 |
| VGG13 | 1.216 | 2.059 | 3.056 | 9.468 |
| VGG16 | 1.518 | 2.594 | 4.019 | 12.145 |
| VGG19 | 1.817 | 3.124 | 4.886 | 14.958 |
| DarkNet53 | 2.150 | 2.627 | 3.422 | 10.092 | |
| ResNet50_ACNet<br>_deploy | 2.748 | 3.178 | 3.823 | 8.369 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| AlexNet | 0.682 | 0.875 | 1.196 | 3.196 |
| SqueezeNet1_0 | 0.530 | 1.072 | 1.652 | 5.338 |
| SqueezeNet1_1 | 0.439 | 0.787 | 1.164 | 2.973 |
| VGG11 | 1.575 | 3.638 | 6.427 | 23.227 |
| VGG13 | 1.859 | 4.832 | 8.832 | 32.946 |
| VGG16 | 2.316 | 6.420 | 11.936 | 44.719 |
| VGG19 | 2.775 | 8.013 | 14.925 | 57.272 |
| DarkNet53 | 2.648 | 5.727 | 9.616 | 33.664 | |
| ResNet50_ACNet<br>_deploy | 4.544 | 6.873 | 9.627 | 28.283 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|---------------------------|-----------|-------------------|----------------------|
| AlexNet | 224 | 256 | 1.176 |
| SqueezeNet1_0 | 224 | 256 | 0.860 |
| SqueezeNet1_1 | 224 | 256 | 0.763 |
| VGG11 | 224 | 256 | 1.867 |
| VGG13 | 224 | 256 | 2.148 |
| VGG16 | 224 | 256 | 2.616 |
| VGG19 | 224 | 256 | 3.076 |
| DarkNet53 | 256 | 256 | 3.139 |
| ResNet50_ACNet<br>_deploy | 224 | 256 | 5.626 |
docs/zh_CN/models/ResNet_and_vd.md
浏览文件 @ 1151bcff
......@@ -9,7 +9,16 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠
本次发布ResNet系列的模型包括ResNet50，ResNet50_vd，ResNet50_vd_ssld，ResNet200_vd等14个预训练模型。在训练层面上，ResNet的模型采用了训练ImageNet的标准训练流程，而其余改进版模型采用了更多的训练策略，如learning rate的下降方式采用了cosine decay，引入了label smoothing的标签正则方式，在数据预处理加入了mixup的操作，迭代总轮数从120个epoch增加到200个epoch。
其中，ResNet50_vd_v2与ResNet50_vd_ssld采用了知识蒸馏，保证模型结构不变的情况下，进一步提升了模型的精度，具体地，ResNet50_vd_v2的teacher模型是ResNet152_vd（top1准确率80.59%），数据选用的是ImageNet-1k的训练集，ResNet50_vd_ssld的teacher模型是ResNeXt101_32x16d_wsl（top1准确率84.2%），数据选用结合了ImageNet-1k的训练集和ImageNet-22k挖掘的400万数据。知识蒸馏的具体方法正在持续更新中。
![](../../images/models/ResNet.png)
该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
![](../../images/models/ResNet.png.flops.png)
![](../../images/models/ResNet.png.params.png)
![](../../images/models/ResNet.png.fp32.png)
通过上述曲线可以看出，层数越多，准确率越高，但是相应的参数量、计算量和延时都会增加。ResNet50_vd_ssld通过用更强的teacher和更多的数据，将其在ImageNet-1k上的验证集top-1精度进一步提高，达到了82.39%，刷新了ResNet50系列模型的精度。
**注意**：所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
......@@ -32,43 +41,27 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠
| ResNet152_vd | 0.806 | 0.953 | | | 23.530 | 60.210 |
| ResNet200_vd | 0.809 | 0.953 | | | 30.530 | 74.740 |
| ResNet50_vd_ssld | 0.824 | 0.961 | | | 8.670 | 25.580 |
| ResNet101_vd_ssld | 0.837 | 0.967 | | | 16.100 | 44.570 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| ResNet18 | 0.966 | 1.076 | 1.263 | 2.656 |
| ResNet18_vd | 1.002 | 1.163 | 1.392 | 3.045 |
| ResNet34 | 1.798 | 1.959 | 2.269 | 4.716 |
| ResNet34_vd | 1.839 | 2.011 | 2.482 | 4.767 |
| ResNet50 | 1.892 | 2.146 | 2.692 | 6.411 |
| ResNet50_vc | 1.903 | 2.094 | 2.677 | 6.096 |
| ResNet50_vd | 1.918 | 2.273 | 2.833 | 6.978 |
| ResNet50_vd_v2 | 1.918 | 2.273 | 2.833 | 6.978 |
| ResNet101 | 3.790 | 4.128 | 4.789 | 10.913 |
| ResNet101_vd | 3.853 | 4.229 | 5.001 | 11.437 |
| ResNet152 | 5.523 | 5.871 | 6.710 | 15.258 |
| ResNet152_vd | 5.503 | 6.003 | 7.001 | 15.716 |
| ResNet200_vd | 7.270 | 7.595 | 8.802 | 19.516 |
| ResNet50_vd_ssld | 1.918 | 2.273 | 2.833 | 6.978 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| ResNet18 | 1.127 | 1.428 | 2.352 | 7.780 |
| ResNet18_vd | 1.142 | 1.532 | 2.584 | 8.441 |
| ResNet34 | 1.936 | 2.409 | 4.197 | 14.442 |
| ResNet34_vd | 1.948 | 2.526 | 4.403 | 15.133 |
| ResNet50 | 2.630 | 4.393 | 6.491 | 20.449 |
| ResNet50_vc | 2.728 | 4.413 | 6.618 | 21.183 |
| ResNet50_vd | 2.649 | 4.522 | 6.771 | 21.552 |
| ResNet50_vd_v2 | 2.649 | 4.522 | 6.771 | 21.552 |
| ResNet101 | 4.747 | 8.015 | 11.555 | 36.739 |
| ResNet101_vd | 4.735 | 8.111 | 11.820 | 37.155 |
| ResNet152 | 6.618 | 11.471 | 16.580 | 51.792 |
| ResNet152_vd | 6.626 | 11.613 | 16.843 | 53.645 |
| ResNet200_vd | 8.540 | 14.770 | 21.554 | 69.053 |
| ResNet50_vd_ssld | 2.649 | 4.522 | 6.771 | 21.552 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|------------------|-----------|-------------------|--------------------------|
| ResNet18 | 224 | 256 | 1.499 |
| ResNet18_vd | 224 | 256 | 1.603 |
| ResNet34 | 224 | 256 | 2.272 |
| ResNet34_vd | 224 | 256 | 2.343 |
| ResNet50 | 224 | 256 | 2.939 |
| ResNet50_vc | 224 | 256 | 3.041 |
| ResNet50_vd | 224 | 256 | 3.165 |
| ResNet50_vd_v2 | 224 | 256 | 3.165 |
| ResNet101 | 224 | 256 | 5.314 |
| ResNet101_vd | 224 | 256 | 5.252 |
| ResNet152 | 224 | 256 | 7.205 |
| ResNet152_vd | 224 | 256 | 7.200 |
| ResNet200_vd | 224 | 256 | 8.885 |
| ResNet50_vd_ssld | 224 | 256 | 3.165 |
| ResNet101_vd_ssld | 224 | 256 | 5.252 |
docs/zh_CN/models/SEResNext_and_Res2Net.md
浏览文件 @ 1151bcff
......@@ -6,9 +6,18 @@ ResNeXt是ResNet的典型变种网络之一，ResNeXt发表于2017年的CVPR会
SENet是2017年ImageNet分类比赛的冠军方案，其提出了一个全新的SE结构，该结构可以迁移到任何其他网络中，其通过控制scale的大小，把每个通道间重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强。
Res2Net是2019年提出的一种全新的对ResNet的改进方案，该方案可以和现有其他优秀模块轻松整合，在不增加计算负载量的情况下，在ImageNet、CIFAR-100等数据集上的测试性能超过了ResNet。Res2Net结构简单，性能优越，进一步探索了CNN在更细粒度级别的多尺度表示能力。Res2Net揭示了一个新的提升模型精度的维度，即scale，其是除了深度、宽度和基数的现有维度之外另外一个必不可少的更有效的因素。该网络在其他视觉任务如目标检测、图像分割等也有相当不错的表现。
![](../../images/models/SeResNeXt.png)
该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。
![](../../images/models/SeResNeXt.png.flops.png)
![](../../images/models/SeResNeXt.png.params.png)
![](../../images/models/SeResNeXt.png.fp32.png)
目前PaddleClas开源的这三类的预训练模型一共有24个，其指标如图所示，从图中可以看出，在同样Flops和Params下，改进版的模型往往有更高的精度，但是推理速度往往不如ResNet系列。另一方面，Res2Net表现也较为优秀，相比ResNeXt中的group操作、SEResNet中的SE结构操作，Res2Net在相同Flops、Params和推理速度下往往精度更佳。
**注意**：所有模型在预测时，图像的crop_size设置为224，resize_short_size设置为256。
......@@ -42,61 +51,32 @@ Res2Net是2019年提出的一种全新的对ResNet的改进方案，该方案可
| SENet154_vd | 0.814 | 0.955 | | | 45.830 | 114.290 |
## FP16预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| Res2Net50_26w_4s | 2.625 | 3.338 | 4.670 | 11.939 |
| Res2Net50_vd_26w_4s | 2.642 | 3.480 | 4.862 | 13.089 |
| Res2Net50_14w_8s | 3.393 | 4.237 | 5.473 | 13.979 |
| Res2Net101_vd_26w_4s | 5.128 | 6.190 | 7.995 | 20.534 |
| Res2Net200_vd_26w_4s | 9.594 | 11.131 | 14.278 | 36.258 |
| ResNeXt50_32x4d | 6.795 | 7.102 | 8.444 | 18.938 |
| ResNeXt50_vd_32x4d | 7.455 | 7.231 | 8.891 | 19.849 |
| ResNeXt50_64x4d | 20.279 | 12.343 | 13.633 | 32.772 |
| ResNeXt50_vd_64x4d | 16.325 | 21.773 | 25.007 | 55.329 |
| ResNeXt101_32x4d | 14.847 | 15.092 | 15.847 | 42.681 |
| ResNeXt101_vd_32x4d | 15.227 | 15.139 | 16.603 | 39.371 |
| ResNeXt101_64x4d | 28.221 | 29.455 | 29.873 | 59.415 |
| ResNeXt101_vd_64x4d | 31.051 | 28.160 | 28.915 | 60.525 |
| ResNeXt152_32x4d | 22.961 | 23.167 | 24.173 | 51.621 |
| ResNeXt152_vd_32x4d | 23.259 | 23.469 | 23.886 | 52.085 |
| ResNeXt152_64x4d | 41.930 | 42.441 | 45.985 | 79.405 |
| ResNeXt152_vd_64x4d | 42.778 | 43.281 | 45.017 | 79.728 |
| SE_ResNet18_vd | 1.256 | 1.463 | 1.917 | 4.316 |
| SE_ResNet34_vd | 2.314 | 2.691 | 3.432 | 7.411 |
| SE_ResNet50_vd | 2.884 | 4.051 | 5.421 | 15.013 |
| SE_ResNeXt50_32x4d | 7.973 | 10.613 | 12.788 | 29.091 |
| SE_ResNeXt50_vd_32x4d | 8.340 | 12.245 | 15.253 | 30.399 |
| SE_ResNeXt101_32x4d | 17.324 | 21.004 | 28.541 | 52.888 |
| SENet154_vd | 47.234 | 48.018 | 52.967 | 109.787 |
## FP32预测速度
| Models | batch_size=1<br>(ms) | batch_size=4<br>(ms) | batch_size=8<br>(ms) | batch_size=32<br>(ms) |
|:--:|:--:|:--:|:--:|:--:|
| Res2Net50_26w_4s | 3.711 | 5.855 | 8.450 | 26.084 |
| Res2Net50_vd_26w_4s | 3.651 | 5.986 | 8.747 | 26.772 |
| Res2Net50_14w_8s | 4.549 | 6.863 | 9.492 | 27.049 |
| Res2Net101_vd_26w_4s | 6.658 | 10.870 | 15.364 | 47.054 |
| Res2Net200_vd_26w_4s | 12.017 | 19.871 | 28.330 | 88.645 |
| ResNeXt50_32x4d | 6.747 | 8.862 | 11.961 | 32.782 |
| ResNeXt50_vd_32x4d | 6.746 | 9.037 | 12.279 | 33.496 |
| ResNeXt50_64x4d | 11.577 | 14.570 | 20.425 | 57.979 |
| ResNeXt50_vd_64x4d | 19.219 | 21.454 | 30.943 | 90.950 |
| ResNeXt101_32x4d | 14.652 | 18.082 | 24.148 | 70.200 |
| ResNeXt101_vd_32x4d | 14.927 | 18.454 | 23.894 | 67.334 |
| ResNeXt101_64x4d | 28.726 | 30.999 | 43.169 | 116.282 |
| ResNeXt101_vd_64x4d | 28.350 | 31.186 | 41.315 | 113.655 |
| ResNeXt152_32x4d | 23.578 | 27.323 | 35.588 | 99.121 |
| ResNeXt152_vd_32x4d | 23.548 | 26.879 | 35.091 | 104.832 |
| ResNeXt152_64x4d | 43.214 | 43.339 | 60.990 | 159.381 |
| ResNeXt152_vd_64x4d | 43.998 | 44.510 | 61.094 | 160.601 |
| SE_ResNet18_vd | 1.353 | 1.867 | 3.021 | 9.331 |
| SE_ResNet34_vd | 2.421 | 3.201 | 5.294 | 16.849 |
| SE_ResNet50_vd | 3.403 | 6.023 | 8.721 | 26.978 |
| SE_ResNeXt50_32x4d | 8.339 | 12.689 | 15.471 | 41.562 |
| SE_ResNeXt50_vd_32x4d | 7.849 | 13.530 | 16.810 | 44.020 |
| SE_ResNeXt101_32x4d | 16.853 | 24.409 | 32.666 | 81.806 |
| SENet154_vd | 46.002 | 53.666 | 70.589 | 180.334 |
| Models | Crop Size | Resize Short Size | Batch Size=1<br>(ms) |
|-----------------------|-----------|-------------------|--------------------------|
| Res2Net50_26w_4s | 224 | 256 | 4.148 |
| Res2Net50_vd_26w_4s | 224 | 256 | 4.172 |
| Res2Net50_14w_8s | 224 | 256 | 5.113 |
| Res2Net101_vd_26w_4s | 224 | 256 | 7.327 |
| Res2Net200_vd_26w_4s | 224 | 256 | 12.806 |
| ResNeXt50_32x4d | 224 | 256 | 10.964 |
| ResNeXt50_vd_32x4d | 224 | 256 | 7.566 |
| ResNeXt50_64x4d | 224 | 256 | 13.905 |
| ResNeXt50_vd_64x4d | 224 | 256 | 14.321 |
| ResNeXt101_32x4d | 224 | 256 | 14.915 |
| ResNeXt101_vd_32x4d | 224 | 256 | 14.885 |
| ResNeXt101_64x4d | 224 | 256 | 28.716 |
| ResNeXt101_vd_64x4d | 224 | 256 | 28.398 |
| ResNeXt152_32x4d | 224 | 256 | 22.996 |
| ResNeXt152_vd_32x4d | 224 | 256 | 22.729 |
| ResNeXt152_64x4d | 224 | 256 | 46.705 |
| ResNeXt152_vd_64x4d | 224 | 256 | 46.395 |
| SE_ResNet18_vd | 224 | 256 | 1.694 |
| SE_ResNet34_vd | 224 | 256 | 2.786 |
| SE_ResNet50_vd | 224 | 256 | 3.749 |
| SE_ResNeXt50_32x4d | 224 | 256 | 8.924 |
| SE_ResNeXt50_vd_32x4d | 224 | 256 | 9.011 |
| SE_ResNeXt101_32x4d | 224 | 256 | 19.204 |
| SENet154_vd | 224 | 256 | 50.406 |
docs/zh_CN/models/models_intro.md
浏览文件 @ 1151bcff
......@@ -2,7 +2,26 @@
## 概述
基于ImageNet1k分类数据集，PaddleClas支持的23种系列分类网络结构以及对应的117个图像分类预训练模型如下所示，训练技巧、每个系列网络结构的简单介绍和性能评估将在相应章节展现。GPU评估环境基于V100和TensorRT，CPU的评估环境基于骁龙855（SD855）。
基于ImageNet1k分类数据集，PaddleClas支持的23种系列分类网络结构以及对应的117个图像分类预训练模型如下所示，训练技巧、每个系列网络结构的简单介绍和性能评估将在相应章节展现。
## 评估环境
* CPU的评估环境基于骁龙855（SD855）。
* GPU评估环境基于V100和TensorRT，评估脚本如下。
```shell
#!/usr/bin/env bash
export PYTHONPATH=$PWD:$PYTHONPATH
python tools/infer/predict.py \
--model_file='pretrained/infer/model' \
--params_file='pretrained/infer/params' \
--enable_benchmark=True \
--model_name=ResNet50_vd \
--use_tensorrt=True \
--use_fp16=False \
--batch_size=1
```
![](../../images/models/main_fps_top1.png)
![](../../images/models/mobile_arm_top1.png)
......@@ -25,6 +44,7 @@
- [ResNet152_vd](https://paddle-imagenet-models-name.bj.bcebos.com/ResNet152_vd_pretrained.tar)
- [ResNet200_vd](https://paddle-imagenet-models-name.bj.bcebos.com/ResNet200_vd_pretrained.tar)
- [ResNet50_vd_ssld](https://paddle-imagenet-models-name.bj.bcebos.com/ResNet50_vd_ssld_pretrained.tar)
- [ResNet101_vd_ssld](https://paddle-imagenet-models-name.bj.bcebos.com/ResNet101_vd_ssld_pretrained.tar)
- 移动端系列
......
docs/zh_CN/tutorials/getting_started.md
浏览文件 @ 1151bcff
......@@ -52,6 +52,19 @@ epoch:0 train step:522 loss:1.6330 lr:0.100000 elapse:0.210
或是直接修改模型对应的yaml配置文件，具体配置参数参考[配置文档](config.md)。
### 2.3 模型微调
您可以通过如下命令进行模型微调，通过指定--pretrained_model参数加载预训练模型
```bash
python -m paddle.distributed.launch \
--selected_gpus="0,1,2,3" \
--log_dir=log_ResNet50_vd \
train.py \
-c ../configs/ResNet/ResNet50_vd.yaml \
-o pretrained_model= 预训练模型路径\
```
### 2.2 模型评估
......
tools/infer/predict.py
浏览文件 @ 1151bcff
......@@ -109,11 +109,6 @@ def main():
operators = create_operators()
predictor = create_predictor(args)
inputs = preprocess(args.image_file, operators)
inputs = np.expand_dims(
inputs, axis=0).repeat(
args.batch_size, axis=0).copy()
input_names = predictor.get_input_names()
input_tensor = predictor.get_input_tensor(input_names[0])
......
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或