# 移动端系列 ----- ## 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 V100 GPU 的预测速度](#1.3.1) - [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) ## 1. 模型介绍 ### 1.1 模型简介 MobileNetV1 是 Google 于 2017 年发布的用于移动设备或嵌入式设备中的网络。该网络将传统的卷积操作替换深度可分离卷积，即 Depthwise 卷积和 Pointwise 卷积的组合，相比传统的卷积操作，该组合可以大大节省参数量和计算量。与此同时，MobileNetV1 也可以用于目标检测、图像分割等其他视觉任务中。 MobileNetV2 是 Google 继 MobileNetV1 提出的一种轻量级网络。相比 MobileNetV1，MobileNetV2 提出了 Linear bottlenecks 与 Inverted residual block 作为网络基本结构，通过大量地堆叠这些基本模块，构成了 MobileNetV2 的网络结构。最终，在 FLOPS 只有 MobileNetV1 的一半的情况下取得了更高的分类精度。 ShuffleNet 系列网络是旷视提出的轻量化网络结构，到目前为止，该系列网络一共有两种典型的结构，即 ShuffleNetV1 与 ShuffleNetV2。ShuffleNet 中的 Channel Shuffle 操作可以将组间的信息进行交换，并且可以实现端到端的训练。在 ShuffleNetV2 的论文中，作者提出了设计轻量级网络的四大准则，并且根据四大准则与 ShuffleNetV1 的不足，设计了 ShuffleNetV2 网络。 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。 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。 ![](../../../images/models/mobile_arm_top1.png) ![](../../../images/models/mobile_arm_storage.png) ![](../../../images/models/T4_benchmark/t4.fp32.bs4.mobile_trt.flops.png) ![](../../../images/models/T4_benchmark/t4.fp32.bs4.mobile_trt.params.png) 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。 ### 1.2 模型指标 | Models | Top1 | Top5 | Reference
top1 | Reference
top5 | FLOPS
(G) | Parameters
(M) | |:--:|:--:|:--:|:--:|:--:|:--:|:--:| | MobileNetV1_x0_25 | 0.514 | 0.755 | 0.506 | | 0.070 | 0.460 | | MobileNetV1_x0_5 | 0.635 | 0.847 | 0.637 | | 0.280 | 1.310 | | MobileNetV1_x0_75 | 0.688 | 0.882 | 0.684 | | 0.630 | 2.550 | | MobileNetV1 | 0.710 | 0.897 | 0.706 | | 1.110 | 4.190 | | MobileNetV1_ssld | 0.779 | 0.939 | | | 1.110 | 4.190 | | MobileNetV2_x0_25 | 0.532 | 0.765 | | | 0.050 | 1.500 | | MobileNetV2_x0_5 | 0.650 | 0.857 | 0.654 | 0.864 | 0.170 | 1.930 | | MobileNetV2_x0_75 | 0.698 | 0.890 | 0.698 | 0.896 | 0.350 | 2.580 | | MobileNetV2 | 0.722 | 0.907 | 0.718 | 0.910 | 0.600 | 3.440 | | MobileNetV2_x1_5 | 0.741 | 0.917 | | | 1.320 | 6.760 | | MobileNetV2_x2_0 | 0.752 | 0.926 | | | 2.320 | 11.130 | | MobileNetV2_ssld | 0.7674 | 0.9339 | | | 0.600 | 3.440 | | MobileNetV3_large_
x1_25 | 0.764 | 0.930 | 0.766 | | 0.714 | 7.440 | | MobileNetV3_large_
x1_0 | 0.753 | 0.923 | 0.752 | | 0.450 | 5.470 | | MobileNetV3_large_
x0_75 | 0.731 | 0.911 | 0.733 | | 0.296 | 3.910 | | MobileNetV3_large_
x0_5 | 0.692 | 0.885 | 0.688 | | 0.138 | 2.670 | | MobileNetV3_large_
x0_35 | 0.643 | 0.855 | 0.642 | | 0.077 | 2.100 | | MobileNetV3_small_
x1_25 | 0.707 | 0.895 | 0.704 | | 0.195 | 3.620 | | MobileNetV3_small_
x1_0 | 0.682 | 0.881 | 0.675 | | 0.123 | 2.940 | | MobileNetV3_small_
x0_75 | 0.660 | 0.863 | 0.654 | | 0.088 | 2.370 | | MobileNetV3_small_
x0_5 | 0.592 | 0.815 | 0.580 | | 0.043 | 1.900 | | MobileNetV3_small_
x0_35 | 0.530 | 0.764 | 0.498 | | 0.026 | 1.660 | | MobileNetV3_small_
x0_35_ssld | 0.556 | 0.777 | 0.498 | | 0.026 | 1.660 | | MobileNetV3_large_
x1_0_ssld | 0.790 | 0.945 | | | 0.450 | 5.470 | | MobileNetV3_large_
x1_0_ssld_int8 | 0.761 | | | | | | | MobileNetV3_small_
x1_0_ssld | 0.713 | 0.901 | | | 0.123 | 2.940 | | ShuffleNetV2 | 0.688 | 0.885 | 0.694 | | 0.280 | 2.260 | | ShuffleNetV2_x0_25 | 0.499 | 0.738 | | | 0.030 | 0.600 | | ShuffleNetV2_x0_33 | 0.537 | 0.771 | | | 0.040 | 0.640 | | ShuffleNetV2_x0_5 | 0.603 | 0.823 | 0.603 | | 0.080 | 1.360 | | ShuffleNetV2_x1_5 | 0.716 | 0.902 | 0.726 | | 0.580 | 3.470 | | ShuffleNetV2_x2_0 | 0.732 | 0.912 | 0.749 | | 1.120 | 7.320 | | ShuffleNetV2_swish | 0.700 | 0.892 | | | 0.290 | 2.260 | | 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 #### 1.3.1 基于 SD855 的预测速度和存储大小 | Models | SD855 time(ms)
bs=1, thread=1 | SD855 time(ms)
bs=1, thread=2 | SD855 time(ms)
bs=1, thread=4 | Storage Size(M) | |:--:|----|----|----|----| | MobileNetV1_x0_25 | 2.88 | 1.82 | 1.26 | 1.900 | | MobileNetV1_x0_5 | 8.74 | 5.26 | 3.09 | 5.200 | | MobileNetV1_x0_75 | 17.84 | 10.61 | 6.21 | 10.000 | | MobileNetV1 | 30.24 | 17.86 | 10.30 | 16.000 | | MobileNetV1_ssld | 30.19 | 17.85 | 10.23 | 16.000 | | MobileNetV2_x0_25 | 3.46 | 2.51 | 2.03 | 6.100 | | MobileNetV2_x0_5 | 7.69 | 4.92 | 3.57 | 7.800 | | MobileNetV2_x0_75 | 13.69 | 8.60 | 5.82 | 10.000 | | MobileNetV2 | 20.74 | 12.71 | 8.10 | 14.000 | | MobileNetV2_x1_5 | 40.79 | 24.49 | 15.50 | 26.000 | | MobileNetV2_x2_0 | 67.50 | 40.03 | 25.55 | 43.000 | | MobileNetV2_ssld | 20.71 | 12.70 | 8.06 | 14.000 | | MobileNetV3_large_x1_25 | 24.52 | 14.76 | 9.89 | 29.000 | | MobileNetV3_large_x1_0 | 16.55 | 10.09 | 6.84 | 21.000 | | MobileNetV3_large_x0_75 | 11.53 | 7.06 | 4.94 | 16.000 | | MobileNetV3_large_x0_5 | 6.50 | 4.22 | 3.15 | 11.000 | | MobileNetV3_large_x0_35 | 4.43 | 3.11 | 2.41 | 8.600 | | MobileNetV3_small_x1_25 | 7.88 | 4.91 | 3.45 | 14.000 | | MobileNetV3_small_x1_0 | 5.63 | 3.65 | 2.60 | 12.000 | | MobileNetV3_small_x0_75 | 4.50 | 2.96 | 2.19 | 9.600 | | MobileNetV3_small_x0_5 | 2.89 | 2.04 | 1.62 | 7.800 | | MobileNetV3_small_x0_35 | 2.23 | 1.66 | 1.43 | 6.900 | | MobileNetV3_small_x0_35_ssld | | | | 6.900 | | MobileNetV3_large_x1_0_ssld | 16.56 | 10.10 | 6.86 | 21.000 | | MobileNetV3_large_x1_0_ssld_int8 | | | | 10.000 | | MobileNetV3_small_x1_0_ssld | 5.64 | 3.67 | 2.61 | 12.000 | | ShuffleNetV2 | 9.72 | 5.97 | 4.13 | 9.000 | | ShuffleNetV2_x0_25 | 1.94 | 1.53 | 1.43 | 2.700 | | ShuffleNetV2_x0_33 | 2.23 | 1.70 | 1.79 | 2.800 | | ShuffleNetV2_x0_5 | 3.67 | 2.63 | 2.06 | 5.600 | | ShuffleNetV2_x1_5 | 17.21 | 10.56 | 6.81 | 14.000 | | ShuffleNetV2_x2_0 | 31.21 | 18.98 | 11.65 | 28.000 | | ShuffleNetV2_swish | 31.21 | 9.06 | 5.74 | 9.100 | | 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 | #### 1.3.2 基于 V100 GPU 的预测速度 | Models | Crop Size | Resize Short Size | FP32
Batch Size=1
(ms) | FP32
Batch Size=4
(ms) | FP32
Batch Size=8
(ms) | | -------------------------------- | --------- | ----------------- | ------------------------------ | ------------------------------ | ------------------------------ | | MobileNetV1_x0_25 | 224 | 256 | 0.47 | 0.93 | 1.39 | | MobileNetV1_x0_5 | 224 | 256 | 0.48 | 1.09 | 1.69 | | MobileNetV1_x0_75 | 224 | 256 | 0.55 | 1.34 | 2.03 | | MobileNetV1 | 224 | 256 | 0.64 | 1.57 | 2.48 | | MobileNetV1_ssld | 224 | 256 | 0.66 | 1.59 | 2.58 | | MobileNetV2_x0_25 | 224 | 256 | 0.83 | 1.17 | 1.78 | | MobileNetV2_x0_5 | 224 | 256 | 0.84 | 1.45 | 2.04 | | MobileNetV2_x0_75 | 224 | 256 | 0.96 | 1.62 | 2.53 | | MobileNetV2 | 224 | 256 | 1.02 | 1.93 | 2.89 | | MobileNetV2_x1_5 | 224 | 256 | 1.32 | 2.58 | 4.14 | | MobileNetV2_x2_0 | 224 | 256 | 1.57 | 3.13 | 4.76 | | MobileNetV2_ssld | 224 | 256 | 1.01 | 1.97 | 2.84 | | MobileNetV3_large_x1_25 | 224 | 256 | 1.75 | 2.87 | 4.23 | | MobileNetV3_large_x1_0 | 224 | 256 | 1.37 | 2.67 | 3.46 | | MobileNetV3_large_x0_75 | 224 | 256 | 1.37 | 2.23 | 3.17 | | MobileNetV3_large_x0_5 | 224 | 256 | 1.10 | 1.85 | 2.69 | | MobileNetV3_large_x0_35 | 224 | 256 | 1.01 | 1.44 | 1.92 | | MobileNetV3_small_x1_25 | 224 | 256 | 1.20 | 2.04 | 2.64 | | MobileNetV3_small_x1_0 | 224 | 256 | 1.03 | 1.76 | 2.50 | | MobileNetV3_small_x0_75 | 224 | 256 | 1.04 | 1.71 | 2.37 | | MobileNetV3_small_x0_5 | 224 | 256 | 1.01 | 1.49 | 2.01 | | MobileNetV3_small_x0_35 | 224 | 256 | 1.01 | 1.44 | 1.92 | | MobileNetV3_small_x0_35_ssld | 224 | 256 | | | | | MobileNetV3_large_x1_0_ssld | 224 | 256 | 1.35 | 2.47 | 3.72 | | MobileNetV3_large_x1_0_ssld_int8 | 224 | 256 | | | | | MobileNetV3_small_x1_0_ssld | 224 | 256 | 1.06 | 1.89 | 2.48 | | ShuffleNetV2 | 224 | 256 | 1.05 | 1.76 | 2.37 | | ShuffleNetV2_x0_25 | 224 | 256 | 0.92 | 1.27 | 1.73 | | ShuffleNetV2_x0_33 | 224 | 256 | 0.91 | 1.29 | 1.81 | | ShuffleNetV2_x0_5 | 224 | 256 | 0.89 | 1.43 | 1.94 | | ShuffleNetV2_x1_5 | 224 | 256 | 0.93 | 1.99 | 2.85 | | ShuffleNetV2_x2_0 | 224 | 256 | 1.45 | 2.70 | 3.35 | | ShuffleNetV2_swish | 224 | 256 | 1.43 | 1.93 | 2.69 | | GhostNet_x0_5 | 224 | 256 | 1.66 | 2.24 | 2.73 | | GhostNet_x1_0 | 224 | 256 | 1.69 | 2.73 | 3.81 | | GhostNet_x1_3 | 224 | 256 | 1.84 | 2.88 | 3.94 | | GhostNet_x1_3_ssld | 224 | 256 | 1.85 | 3.17 | 4.29 | #### 1.3.3 基于 T4 GPU 的预测速度 | Models | Crop Size | Resize Short Size | FP32
Batch Size=1
(ms) | FP32
Batch Size=4
(ms) | FP32
Batch Size=8
(ms) | |-----------------------------|-----------------------|-----------------------|-----------------------|-----------------------|-----------------------| | MobileNetV1_x0_25 | 224 | 256 | 0.47 | 0.93 | 1.39 | | MobileNetV1_x0_5 | 224 | 256 | 0.48 | 1.09 | 1.69 | | MobileNetV1_x0_75 | 224 | 256 | 0.55 | 1.34 | 2.03 | | MobileNetV1 | 224 | 256 | 0.64 | 1.57 | 2.48 | | MobileNetV1_ssld | 224 | 256 | 0.66 | 1.59 | 2.58 | | MobileNetV2_x0_25 | 224 | 256 | 0.83 | 1.17 | 1.78 | | MobileNetV2_x0_5 | 224 | 256 | 0.84 | 1.45 | 2.04 | | MobileNetV2_x0_75 | 224 | 256 | 0.96 | 1.62 | 2.53 | | MobileNetV2 | 224 | 256 | 1.02 | 1.93 | 2.89 | | MobileNetV2_x1_5 | 224 | 256 | 1.32 | 2.58 | 4.14 | | MobileNetV2_x2_0 | 224 | 256 | 1.57 | 3.13 | 4.76 | | MobileNetV2_ssld | 224 | 256 | 1.01 | 1.97 | 2.84 | | MobileNetV3_small_x0_35 | 224 | 256 | 1.01 | 1.44 | 1.92 | | MobileNetV3_small_x0_5 | 224 | 256 | 1.01 | 1.49 | 2.01 | | MobileNetV3_small_x0_75 | 224 | 256 | 1.04 | 1.71 | 2.37 | | MobileNetV3_small_x1_0 | 224 | 256 | 1.03 | 1.76 | 2.50 | | MobileNetV3_small_x1_25 | 224 | 256 | 1.20 | 2.04 | 2.64 | | MobileNetV3_large_x0_35 | 224 | 256 | 1.10 | 1.74 | 2.34 | | MobileNetV3_large_x0_5 | 224 | 256 | 1.10 | 1.85 | 2.69 | | MobileNetV3_large_x0_75 | 224 | 256 | 1.37 | 2.23 | 3.17 | | MobileNetV3_large_x1_0 | 224 | 256 | 1.37 | 2.67 | 3.46 | | MobileNetV3_large_x1_25 | 224 | 256 | 1.75 | 2.87 | 4.23 | | MobileNetV3_small_x1_0_ssld | 224 | 256 | 1.06 | 1.89 | 2.48 | | MobileNetV3_large_x1_0_ssld | 224 | 256 | 1.35 | 2.47 | 3.72 | | ShuffleNetV2_swish | 224 | 256 | 1.43 | 1.93 | 2.69 | | ShuffleNetV2_x0_25 | 224 | 256 | 0.92 | 1.27 | 1.73 | | ShuffleNetV2_x0_33 | 224 | 256 | 0.91 | 1.29 | 1.81 | | ShuffleNetV2_x0_5 | 224 | 256 | 0.89 | 1.43 | 1.94 | | ShuffleNetV2_x1_0 | 224 | 256 | 1.05 | 1.76 | 2.37 | | ShuffleNetV2_x1_5 | 224 | 256 | 0.93 | 1.99 | 2.85 | | ShuffleNetV2_x2_0 | 224 | 256 | 1.45 | 2.70 | 3.35 | | GhostNet_x0_5 | 224 | 256 | 1.66 | 2.24 | 2.73 | | GhostNet_x1_0 | 224 | 256 | 1.69 | 2.73 | 3.81 | | GhostNet_x1_3 | 224 | 256 | 1.84 | 2.88 | 3.94 | | GhostNet_x1_3_ssld | 224 | 256 | 1.85 | 3.17 | 4.29 | ## 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)。 ## 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、SwinTransformer 在 ImageNet 上的训练、评估、预测等内容。在 `ppcls/configs/ImageNet/SwinTransformer/` 中提供了 SwinTransformer 的训练配置，可以通过如下脚本启动训练：此部分内容可以参考[ResNet50 模型训练、评估和预测](./ResNet.md#3-模型训练评估和预测)。 **备注：** 由于 SwinTransformer 系列模型默认使用的 GPU 数量为 8 个，所以在训练时，需要指定8个GPU，如`python3 -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7" tools/train.py -c xxx.yaml`, 如果使用 4 个 GPU 训练，默认学习率需要减小一半，精度可能有损。 ## 4. 模型推理部署 ### 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) 。 ### 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) 对 SwinTransformer 完成推理预测。 ### 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](../inference_deployment/cpp_deploy.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](../inference_deployment/cpp_deploy_on_windows.md)完成相应的预测库编译和模型预测工作。 ### 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](../inference_deployment/paddle_serving_deploy.md)来完成相应的部署工作。 ### 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](../inference_deployment/paddle_lite_deploy.md)来完成相应的部署工作。 ### 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](@shuilong)来完成相应的部署工作。