diff --git a/deploy/configs/PULC/person/inference_person_cls.yaml b/deploy/configs/PULC/person_exists/inference_person_cls.yaml similarity index 84% rename from deploy/configs/PULC/person/inference_person_cls.yaml rename to deploy/configs/PULC/person_exists/inference_person_cls.yaml index a70f663a792fcdcab3b7d45059f2afe0b1efbf07..fc62e6b94f4b100997e8e168676232b472e0faa7 100644 --- a/deploy/configs/PULC/person/inference_person_cls.yaml +++ b/deploy/configs/PULC/person_exists/inference_person_cls.yaml @@ -1,6 +1,6 @@ Global: - infer_imgs: "./images/PULC/person/objects365_02035329.jpg" - inference_model_dir: "./models/person_cls_infer" + infer_imgs: "./images/PULC/person_exists/objects365_02035329.jpg" + inference_model_dir: "./models/person_exists_infer" batch_size: 1 use_gpu: True enable_mkldnn: False diff --git a/deploy/images/PULC/person/objects365_01780782.jpg b/deploy/images/PULC/person_exists/objects365_01780782.jpg similarity index 100% rename from deploy/images/PULC/person/objects365_01780782.jpg rename to deploy/images/PULC/person_exists/objects365_01780782.jpg diff --git a/deploy/images/PULC/person/objects365_02035329.jpg b/deploy/images/PULC/person_exists/objects365_02035329.jpg similarity index 100% rename from deploy/images/PULC/person/objects365_02035329.jpg rename to deploy/images/PULC/person_exists/objects365_02035329.jpg diff --git a/docs/images/PULC/docs/person_exists_data_demo.png b/docs/images/PULC/docs/person_exists_data_demo.png new file mode 100644 index 0000000000000000000000000000000000000000..b74ab64b6f62b83880aa426c1d05cb1fc53840e4 Binary files /dev/null and b/docs/images/PULC/docs/person_exists_data_demo.png differ diff --git a/docs/zh_CN/PULC/PULC_person_cls.md b/docs/zh_CN/PULC/PULC_person_cls.md index ff3508c35c3ff9394da9f5c82e0b4001ee8394a3..5fd4be126fc0de71c3e68e36ba7996e3608d6883 100644 --- a/docs/zh_CN/PULC/PULC_person_cls.md +++ b/docs/zh_CN/PULC/PULC_person_cls.md @@ -1,26 +1,29 @@ -# PaddleClas构建有人/无人分类案例 +# PULC 有人/无人分类模型 -此处提供了用户使用 PaddleClas 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。 +此处提供了用户使用 PaddleClas 的 PULC 方法快速构建轻量级、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. 环境配置](#1) -- [2. 有人/无人场景推理预测](#2) - - [2.1 下载模型](#2.1) - - [2.2 模型推理预测](#2.2) - - [2.2.1 预测单张图像](#2.2.1) - - [2.2.2 基于文件夹的批量预测](#2.2.2) -- [3.有人/无人场景训练](#3) +- [1. 应用场景介绍](#1) +- [2. 模型快速体验](#2) + - [2.1 PULC 有人/无人分类模型介绍](#2.1) + - [2.2 环境配置](#2.2) + - [2.3 模型推理预测](#2.3) + - [2.3.1 下载模型](#2.3.1) + - [2.3.2 模型推理预测](#2.3.2) + - [2.3.2.1 预测单张图像](#2.3.2.1) + - [2.3.2.2 基于文件夹的批量预测](#2.3.2.2) +- [3.PULC 有人/无人分类模型训练](#3) - [3.1 数据准备](#3.1) + - [3.1.1 数据集来源](#3.1.1) + - [3.1.2 数据集获取](#3.1.2) - [3.2 模型训练](#3.2) - - [3.2.1 基于默认超参数训练](#3.2.1) - - [3.2.1.1 基于默认超参数训练轻量级模型](#3.2.1.1) - - [3.2.1.2 基于默认超参数训练教师模型](#3.2.1.2) - - [3.2.1.3 基于默认超参数进行蒸馏训练](#3.2.1.3) - - [3.2.2 超参数搜索训练](#3.2) + - [3.2.1 基于默认超参数训练轻量级模型](#3.2.1) + - [3.2.2 基于默认超参数训练教师模型](#3.2.2) + - [3.2.3 基于默认超参数进行蒸馏训练](#3.2.3) - [4. 模型评估与推理](#4) - [4.1 模型评估](#3.1) - [4.2 模型预测](#3.2) @@ -31,17 +34,42 @@ -## 1. 环境配置 +## 1. 应用场景介绍 -* 安装：请先参考 [Paddle 安装教程](../installation/install_paddle.md) 以及 [PaddleClas 安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。 - - +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. 有人/无人场景推理预测 +### 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| + + + +### 2.2 环境配置 + +* 安装：请先参考 [Paddle 安装教程](../installation/install_paddle.md) 以及 [PaddleClas 安装教程](../installation/install_paddleclas.md) 配置 PaddleClas 运行环境。 + + -### 2.1 下载模型 +### 2.3 模型推理预测 + + + +#### 2.3.1 下载模型 * 进入 `deploy` 运行目录。 @@ -49,31 +77,31 @@ cd deploy ``` -下载有人/无人分类的模型。 +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_cls_infer.tar && tar -xf person_cls_infer.tar +# 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_cls_infer +├── person_exists_infer │ ├── inference.pdiparams │ ├── inference.pdiparams.info │ └── inference.pdmodel ``` - + -### 2.2 模型推理预测 +#### 2.3.2 模型推理预测 - + -#### 2.2.1 预测单张图像 +##### 2.3.2.1 预测单张图像 返回 `deploy` 目录： @@ -81,13 +109,13 @@ wget https://paddleclas.bj.bcebos.com/models/PULC/person_cls_infer.tar && tar -x cd ../ ``` -运行下面的命令，对图像 `./images/PULC/person/objects365_02035329.jpg` 进行有人/无人分类。 +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。 ```shell # 使用下面的命令使用 GPU 进行预测 -python3.7 python/predict_cls.py -c configs/PULC/person/inference_person_cls.yaml -o PostProcess.ThreshOutput.threshold=0.9794 +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/inference_person_cls.yaml -o PostProcess.ThreshOutput.threshold=0.9794 -o Global.use_gpu=False +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。 @@ -97,17 +125,17 @@ objects365_02035329.jpg: class id(s): [1], score(s): [1.00], label_name(s): ['so ``` -**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节](#3.2) +**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](#3.2.1)备注部分。 - + -#### 2.2.2 基于文件夹的批量预测 +#### 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。 ```shell # 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/inference_person_cls.yaml -o Global.infer_imgs="./images/PULC/person/" +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。 @@ -121,12 +149,34 @@ objects365_02035329.jpg: class id(s): [1], score(s): [1.00], label_name(s): ['so -## 3.有人/无人场景训练 +## 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](https://cocodataset.org/#overview)的训练集的子集，`val` 集合为[Object365 数据](https://www.objects365.org/overview.html)的训练集的子集，`ImageNet_val` 为[ImageNet-1k 数据](https://www.image-net.org/)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： + +![](../../images/PULC/docs/person_exists_data_demo.png) + +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。 ``` @@ -137,12 +187,12 @@ cd path_to_PaddleClas ```shell cd dataset -wget https://paddleclas.bj.bcebos.com/data/cls_demo/person.tar -tar -xf person.tar +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`目录，该目录中具有以下数据： +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： ``` @@ -165,97 +215,73 @@ cd ../ └── 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`。 - -* **注意**: +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](@ruoyu)。 -* 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](https://cocodataset.org/#overview)的训练集的子集，`val`集合为[Object365数据](https://www.objects365.org/overview.html)的训练集的子集，`ImageNet_val`为[ImageNet数据](https://www.image-net.org/)的验证集。数据集的筛选流程可以参考[有人/无人场景数据集筛选方法]()。 ### 3.2 模型训练 - + -#### 3.2.1 基于默认超参数训练 +#### 3.2.1 基于默认超参数训练轻量级模型 - - -##### 3.2.1.1 基于默认超参数训练轻量级模型 - -在`ppcls/configs/PULC/person/PPLCNet/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： +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： ```shell 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/PPLCNet/PPLCNet_x1_0.yaml + -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）。 +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](https://baike.baidu.com/item/AUC/19282953)。 +* 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](https://baike.baidu.com/item/AUC/19282953)。 -* 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。 +* 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。 - + -##### 3.2.1.2 基于默认超参数训练教师模型 +#### 3.2.2 基于默认超参数训练教师模型 -复用`ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml`中的超参数，训练教师模型，训练脚本如下： +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： ```shell 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/PPLCNet/PPLCNet_x1_0.yaml \ + -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`。 +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`。 - + -##### 3.2.1.3 基于默认超参数进行蒸馏训练 +#### 3.2.3 基于默认超参数进行蒸馏训练 -配置文件`ppcls/configs/PULC/PULC/Distillation/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： +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： ```shell 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/Distillation/PPLCNet_x1_0_distillation.yaml \ + -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`。 - - - -#### 3.2.2 超参数搜索训练 - -[3.2 小节](#3.2) 提供了在已经搜索并得到的超参数上进行了训练，此部分内容提供了搜索的过程，此过程是为了得到更好的训练超参数。 - -* 搜索运行脚本如下： - -```shell -python tools/search_strategy.py -c ppcls/configs/StrategySearch/person.yaml -``` - -在`ppcls/configs/StrategySearch/person.yaml`中指定了具体的 GPU id 号和搜索配置, 默认搜索的训练日志和模型存放于`output/search_person`中，最终的蒸馏模型存放于`output/search_person/search_res/DistillationModel/best_model_student.pdparams`。 +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`。 -* **注意**: -* 3.1小节提供的默认配置已经经过了搜索，所以此过程不是必要的过程，如果自己的训练数据集有变化，可以尝试此过程。 - -* 此过程基于当前数据集在 V100 4 卡上大概需要耗时 10 小时，如果缺少机器资源，希望体验搜索过程，可以将`ppcls/configs/cls_demo/person/PPLCNet/PPLCNet_x1_0_search.yaml`中的`train_list.txt`和`val_list.txt`分别替换为`train_list.txt.debug`和`val_list.txt.debug`。替换list只是为了加速跑通整个搜索过程，由于数据量较小，其搜素的结果没有参考性。另外，搜索空间可以根据当前的机器资源来调整，如果机器资源有限，可以尝试缩小搜索空间，如果机器资源较充足，可以尝试扩大搜索空间。 +**备注：** -* 如果此过程搜索的得到的超参数与[3.2.1小节](#3.2.1)提供的超参数不一致，主要是由于训练数据较小造成的波动导致，可以忽略。 +* 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](#TODO待添加链接)。 @@ -271,7 +297,7 @@ python tools/search_strategy.py -c ppcls/configs/StrategySearch/person.yaml ```bash python3 tools/eval.py \ - -c ./ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml \ + -c ./ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml \ -o Global.pretrained_model="output/DistillationModel/best_model_student" ``` @@ -283,8 +309,7 @@ python3 tools/eval.py \ ```python python3 tools/infer.py \ - -c ./ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml \ - -o Infer.infer_imgs=./dataset/person/val/objects365_01780637.jpg \ + -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 ``` @@ -292,10 +317,14 @@ python3 tools/infer.py \ 输出结果如下： ``` -[{'class_ids': [0], 'scores': [0.9878496769815683], 'label_names': ['nobody'], 'file_name': './dataset/person/val/objects365_01780637.jpg'}] +[{'class_ids': [0], 'scores': [0.9878496769815683], 'label_names': ['nobody'], 'file_name': './dataset/person_exists/val/objects365_01780637.jpg'}] ``` -**备注：** 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。 +**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。 @@ -310,11 +339,11 @@ python3 tools/infer.py \ ```bash python3 tools/export_model.py \ - -c ./ppcls/configs/cls_demo/PULC/PPLCNet/PPLCNet_x1_0.yaml \ + -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 + -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`文件夹，该文件夹中的模型与 2.2 节下载的推理预测模型格式一致。 +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](#2.3)下载的推理预测模型格式一致。 @@ -322,11 +351,11 @@ python3 tools/export_model.py \ 推理预测的脚本为： ``` -python3.7 python/predict_cls.py -c configs/PULC/person/inference_person_cls.yaml -o Global.inference_model_dir="models/PPLCNet_x1_0_person" -o PostProcess.ThreshOutput.threshold=0.9794 +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[2.2节](#2.2)。 +- 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](#2.3)。 diff --git a/ppcls/configs/PULC/person/OtherModels/MobileNetV3_large_x1_0.yaml b/ppcls/configs/PULC/person_exists/MobileNetV3_large_x1_0.yaml similarity index 97% rename from ppcls/configs/PULC/person/OtherModels/MobileNetV3_large_x1_0.yaml rename to ppcls/configs/PULC/person_exists/MobileNetV3_large_x1_0.yaml index d69bb933fdbf5592d497651cad79995a492cdf28..778f1b60f27ac58fb73a1a53282c4538d7dac5ca 100644 --- a/ppcls/configs/PULC/person/OtherModels/MobileNetV3_large_x1_0.yaml +++ b/ppcls/configs/PULC/person_exists/MobileNetV3_large_x1_0.yaml @@ -113,7 +113,7 @@ DataLoader: use_shared_memory: True Infer: - infer_imgs: docs/images/inference_deployment/whl_demo.jpg + infer_imgs: deploy/images/PULC/person_exists/objects365_02035329.jpg batch_size: 10 transforms: - DecodeImage: diff --git a/ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml b/ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml similarity index 97% rename from ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml rename to ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml index e196547923a345a9535f5b63a568817b2784c6d7..9b8d7a389a2de9adae2ee51d8c3c2fe1a03978eb 100644 --- a/ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0.yaml +++ b/ppcls/configs/PULC/person_exists/PPLCNet_x1_0.yaml @@ -119,7 +119,7 @@ DataLoader: use_shared_memory: True Infer: - infer_imgs: docs/images/inference_deployment/whl_demo.jpg + infer_imgs: deploy/images/PULC/person_exists/objects365_02035329.jpg batch_size: 10 transforms: - DecodeImage: diff --git a/ppcls/configs/PULC/person/Distillation/PPLCNet_x1_0_distillation.yaml b/ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml similarity index 98% rename from ppcls/configs/PULC/person/Distillation/PPLCNet_x1_0_distillation.yaml rename to ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml index afb9b43a0dfad4153bdc761a13c61a4d0e5fd47d..ff38844359d4175e4cb3c27cdd3f602333516865 100644 --- a/ppcls/configs/PULC/person/Distillation/PPLCNet_x1_0_distillation.yaml +++ b/ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml @@ -135,7 +135,7 @@ DataLoader: use_shared_memory: True Infer: - infer_imgs: docs/images/inference_deployment/whl_demo.jpg + infer_imgs: deploy/images/PULC/person_exists/objects365_02035329.jpg batch_size: 10 transforms: - DecodeImage: diff --git a/ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0_search.yaml b/ppcls/configs/PULC/person_exists/PPLCNet_x1_0_search.yaml similarity index 97% rename from ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0_search.yaml rename to ppcls/configs/PULC/person_exists/PPLCNet_x1_0_search.yaml index b2126b69f9d773d918df6b1f03361cac06ee44f8..7c79e8ec5a2bb87ad3232f8e8028f1a05062b3ce 100644 --- a/ppcls/configs/PULC/person/PPLCNet/PPLCNet_x1_0_search.yaml +++ b/ppcls/configs/PULC/person_exists/PPLCNet_x1_0_search.yaml @@ -119,7 +119,7 @@ DataLoader: use_shared_memory: True Infer: - infer_imgs: docs/images/inference_deployment/whl_demo.jpg + infer_imgs: deploy/images/PULC/person_exists/objects365_02035329.jpg batch_size: 10 transforms: - DecodeImage: diff --git a/ppcls/configs/PULC/person/OtherModels/SwinTransformer_tiny_patch4_window7_224.yaml b/ppcls/configs/PULC/person_exists/SwinTransformer_tiny_patch4_window7_224.yaml similarity index 98% rename from ppcls/configs/PULC/person/OtherModels/SwinTransformer_tiny_patch4_window7_224.yaml rename to ppcls/configs/PULC/person_exists/SwinTransformer_tiny_patch4_window7_224.yaml index 0e2248e98529b511c7821b49ced6cf0625016553..f2df8a39489953ee687a1e986abee2cd6b3d29a9 100644 --- a/ppcls/configs/PULC/person/OtherModels/SwinTransformer_tiny_patch4_window7_224.yaml +++ b/ppcls/configs/PULC/person_exists/SwinTransformer_tiny_patch4_window7_224.yaml @@ -136,7 +136,7 @@ DataLoader: use_shared_memory: True Infer: - infer_imgs: docs/images/inference_deployment/whl_demo.jpg + infer_imgs: deploy/images/PULC/person_exists/objects365_02035329.jpg batch_size: 10 transforms: - DecodeImage: diff --git a/ppcls/configs/PULC/person_exists/search.yaml b/ppcls/configs/PULC/person_exists/search.yaml new file mode 100644 index 0000000000000000000000000000000000000000..820337c027248501a564a74937934de9e602734c --- /dev/null +++ b/ppcls/configs/PULC/person_exists/search.yaml @@ -0,0 +1,40 @@ +base_config_file: ppcls/configs/PULC/person_exists/PPLCNet_x1_0_search.yaml +distill_config_file: ppcls/configs/PULC/person_exists/PPLCNet_x1_0_distillation.yaml + +gpus: 0,1,2,3 +output_dir: output/search_person_cls +search_times: 1 +search_dict: + - search_key: lrs + replace_config: + - Optimizer.lr.learning_rate + search_values: [0.0075, 0.01, 0.0125] + - search_key: resolutions + replace_config: + - DataLoader.Train.dataset.transform_ops.1.RandCropImage.size + - DataLoader.Train.dataset.transform_ops.3.TimmAutoAugment.img_size + search_values: [176, 192, 224] + - search_key: ra_probs + replace_config: + - DataLoader.Train.dataset.transform_ops.3.TimmAutoAugment.prob + search_values: [0.0, 0.1, 0.5] + - search_key: re_probs + replace_config: + - DataLoader.Train.dataset.transform_ops.5.RandomErasing.EPSILON + search_values: [0.0, 0.1, 0.5] + - search_key: lr_mult_list + replace_config: + - Arch.lr_mult_list + search_values: + - [0.0, 0.2, 0.4, 0.6, 0.8, 1.0] + - [0.0, 0.4, 0.4, 0.8, 0.8, 1.0] + - [1.0, 1.0, 1.0, 1.0, 1.0, 1.0] +teacher: + rm_keys: + - Arch.lr_mult_list + search_values: + - ResNet101_vd + - ResNet50_vd +final_replace: + Arch.lr_mult_list: Arch.models.1.Student.lr_mult_list +