From 143536dae19dd55fa0a2aa97541a271b72012246 Mon Sep 17 00:00:00 2001 From: Guanghua Yu <742925032@qq.com> Date: Mon, 15 Aug 2022 23:26:22 +0800 Subject: [PATCH] add picodet full quant demo (#6651) * add picodet full quant demo * fix reader * fix docs --- configs/picodet/FULL_QUANTIZATION.md | 163 ++++++++++++++++++ configs/picodet/README.md | 2 +- deploy/auto_compression/README.md | 11 +- .../configs/picodet_reader.yml | 32 ++++ .../configs/picodet_s_qat_dis.yaml | 34 ++++ 5 files changed, 240 insertions(+), 2 deletions(-) create mode 100644 configs/picodet/FULL_QUANTIZATION.md create mode 100644 deploy/auto_compression/configs/picodet_reader.yml create mode 100644 deploy/auto_compression/configs/picodet_s_qat_dis.yaml diff --git a/configs/picodet/FULL_QUANTIZATION.md b/configs/picodet/FULL_QUANTIZATION.md new file mode 100644 index 000000000..ff177d5ce --- /dev/null +++ b/configs/picodet/FULL_QUANTIZATION.md @@ -0,0 +1,163 @@ +# PP-PicoDet全量化示例 + +目录： + +- [1.简介](#1简介) +- [2.Benchmark](#2Benchmark) +- [3.全量化流程](#全量化流程) + - [3.1 环境准备](#31-准备环境) + - [3.2 准备数据集](#32-准备数据集) + - [3.3 全精度模型训练](#33-全精度模型训练) + - [3.4 导出预测模型](#33-导出预测模型) + - [3.5 全量化并产出模型](#35-全量化并产出模型) +- [4.预测部署](#4预测部署) +- [5.FAQ](5FAQ) + +## 1. 简介 + +本示例以PicoDet为例，介绍从模型训练、模型全量化，到NPU硬件上部署的全流程。 + +* [Benchmark](#Benchmark)表格中已经提供了基于COCO数据预训练模型全量化的模型。 + +* 已经验证的NPU硬件： + + - 瑞芯微-开发板：Rockchip RV1109、Rockchip RV1126、Rockchip RK1808 + + - 晶晨-开发板：Amlogic A311D、Amlogic S905D3、Amlogic C308X + + - 恩智浦-开发板：NXP i.MX 8M Plus + + * 未验证硬件部署思路： + - 未验证，表示该硬件暂不支持Paddle Lite推理部署，可以选择Paddle2ONNX导出，使用硬件的推理引擎完成部署，前提该硬件支持ONNX的全量化模型。 + +## 2.Benchmark + +### PicoDet-S-NPU + +| 模型 | 策略 | mAP | FP32 | INT8 | 配置文件 | 模型 | +|:------------- |:-------- |:----:|:----:|:----:|:---------------------------------------------------------------------------------------------------------------------------------:|:-----------------------------------------------------------------------------------:| +| PicoDet-S-NPU | Baseline | 30.1 | - | - | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/picodet/picodet_s_416_coco_npu.yml) | [Model](https://bj.bcebos.com/v1/paddle-slim-models/act/picodet_s_416_coco_npu.tar) | +| PicoDet-S-NPU | 量化训练 | 29.7 | - | - | [config](https://github.com/PaddlePaddle/PaddleSlim/tree/develop/demo/full_quantization/detection/configs/picodet_s_qat_dis.yaml) | [Model](https://bj.bcebos.com/v1/paddle-slim-models/act/picodet_s_npu_quant.tar) | + +- mAP的指标均在COCO val2017数据集中评测得到，IoU=0.5:0.95。 + +## 3. 全量化流程 +基于自己数据训练的模型，可以参考如下流程。 + +### 3.1 准备环境 + +- PaddlePaddle >= 2.3 （可从[Paddle官网](https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/linux-pip.html)下载安装） +- PaddleSlim >= 2.3 +- PaddleDet >= 2.4 + +安装paddlepaddle： + +```shell +# CPU +pip install paddlepaddle +# GPU +pip install paddlepaddle-gpu +``` + +安装paddleslim： + +```shell +pip install paddleslim +``` + +安装paddledet： + +```shell +pip install paddledet +``` + +### 3.2 准备数据集 + +本案例默认以COCO数据进行全量化实验，如果自定义数据，可将数据按照COCO数据的标准准备；其他自定义数据，可以参考[PaddleDetection数据准备文档](https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.4/docs/tutorials/PrepareDataSet.md) 来准备。 + +以PicoDet-S-NPU模型为例，如果已经准备好数据集，请直接修改[picodet_reader.yml](./configs/picodet_reader.yml)中`EvalDataset`的`dataset_dir`字段为自己数据集路径即可。 + +### 3.3 全精度模型训练 + +如需模型全量化，需要准备一个训好的全精度模型，如果已训好模型可跳过该步骤。 + +- 单卡GPU上训练: + +```shell +# training on single-GPU +export CUDA_VISIBLE_DEVICES=0 +python tools/train.py -c configs/picodet/picodet_s_416_coco_npu.yml --eval +``` + +**注意：**如果训练时显存out memory，将TrainReader中batch_size调小，同时LearningRate中base_lr等比例减小。同时我们发布的config均由4卡训练得到，如果改变GPU卡数为1，那么base_lr需要减小4倍。 + +- 多卡GPU上训练: + +```shell +# training on multi-GPU +export CUDA_VISIBLE_DEVICES=0,1,2,3 +python -m paddle.distributed.launch --gpus 0,1,2,3 tools/train.py -c configs/picodet/picodet_s_416_coco_npu.yml --eval +``` + +**注意：**PicoDet所有模型均由4卡GPU训练得到，如果改变训练GPU卡数，需要按线性比例缩放学习率base_lr。 + +- 评估: + +```shell +python tools/eval.py -c configs/picodet/picodet_s_416_coco_npu.yml \ + -o weights=https://paddledet.bj.bcebos.com/models/picodet_s_416_coco_npu.pdparams +``` + +### 3.4 导出预测模型 + +使用如下命令，导出Inference模型，用于全量化训练。导出模型默认存放在`output_inference`文件夹,包括*.pdmodel和*.pdiparams文件，用于全量化。 + +* 命令说明： + - -c: [3.3 全精度模型训练](#3.3全精度模型训练)训练时使用的yam配置文件。 + - -o weight: 预测模型文件，该文档直接使用基于COCO上训练好的模型。 + +```shell +python tools/export_model.py \ + -c configs/picodet/picodet_s_416_coco_npu.yml \ + -o weights=https://paddledet.bj.bcebos.com/models/picodet_s_416_coco_npu.pdparams \ +``` + +### 3.5 全量化训练并产出模型 + +- 进入PaddleSlim自动化压缩Demo文件夹下： + + ```shell + cd deploy/auto_compression/ + ``` + +全量化示例通过run.py脚本启动，会使用接口```paddleslim.auto_compression.AutoCompression```对模型进行全量化。配置config文件中模型路径、蒸馏、量化、和训练等部分的参数，配置完成后便可对模型进行量化和蒸馏。具体运行命令为： + +- 单卡量化训练： + + ``` + export CUDA_VISIBLE_DEVICES=0 + python run.py --config_path=./configs/picodet_s_qat_dis.yaml --save_dir='./output/' + ``` + +- 多卡量化训练： + + ``` + CUDA_VISIBLE_DEVICES=0,1,2,3 + python -m paddle.distributed.launch --log_dir=log --gpus 0,1,2,3 run.py \ + --config_path=./configs/picodet_s_qat_dis.yaml --save_dir='./output/' + ``` + +- 最终模型默认产出在`output`文件夹下，训练完成后，测试全量化模型精度 + +将config要测试的模型路径可以在配置文件中`model_dir`字段下进行修改。使用eval.py脚本得到模型的mAP： + +``` +export CUDA_VISIBLE_DEVICES=0 +python eval.py --config_path=./configs/picodet_s_qat_dis.yaml +``` + +## 4.预测部署 + +请直接使用PicoDet的[Paddle Lite全量化Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/develop/object_detection/linux/picodet_detection)进行落地部署。 + +## 5.FAQ diff --git a/configs/picodet/README.md b/configs/picodet/README.md index 4b5dd9ed1..10edd3a92 100644 --- a/configs/picodet/README.md +++ b/configs/picodet/README.md @@ -6,7 +6,7 @@ ## 最新动态 -- 发布PicoDet-NPU模型，支持模型全量化部署。**（2022.08.10）** +- 发布PicoDet-NPU模型，支持模型全量化部署。详情请参考[PicoDet全量化示例](./FULL_QUANTIZATION.md) **（2022.08.10）** - 发布全新系列PP-PicoDet模型：**（2022.03.20）** - (1)引入TAL及ETA Head，优化PAN等结构，精度提升2个点以上； diff --git a/deploy/auto_compression/README.md b/deploy/auto_compression/README.md index 4578a4643..8a1717736 100644 --- a/deploy/auto_compression/README.md +++ b/deploy/auto_compression/README.md @@ -12,7 +12,7 @@ - [4.预测部署](#4预测部署) ## 1. 简介 -本示例使用PaddleDetection中Inference部署模型进行自动化压缩。本示例使用的自动化压缩策略为量化蒸馏。 +本示例使用PaddleDetection中Inference部署模型进行自动化压缩，使用的自动化压缩策略为量化蒸馏。 ## 2.Benchmark @@ -26,6 +26,15 @@ - mAP的指标均在COCO val2017数据集中评测得到，IoU=0.5:0.95。 - PP-YOLOE-l模型在Tesla V100的GPU环境下测试，并且开启TensorRT，batch_size=1，包含NMS，测试脚本是[benchmark demo](https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/deploy/python)。 +### PP-PicoDet + +| 模型 | 策略 | mAP | FP32 | FP16 | INT8 | 配置文件 | 模型 | +| :-------- |:-------- |:--------: | :----------------: | :----------------: | :---------------: | :----------------------: | :---------------------: | +| PicoDet-S-NPU | Baseline | 30.1 | - | - | - | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/picodet/picodet_s_416_coco_npu.yml) | [Model](https://bj.bcebos.com/v1/paddle-slim-models/act/picodet_s_416_coco_npu.tar) | +| PicoDet-S-NPU | 量化训练 | 29.7 | - | - | - | [config](https://github.com/PaddlePaddle/PaddleSlim/tree/develop/demo/full_quantization/detection/configs/picodet_s_qat_dis.yaml) | [Model](https://bj.bcebos.com/v1/paddle-slim-models/act/picodet_s_npu_quant.tar) | + +- mAP的指标均在COCO val2017数据集中评测得到，IoU=0.5:0.95。 + ## 3. 自动压缩流程 #### 3.1 准备环境 diff --git a/deploy/auto_compression/configs/picodet_reader.yml b/deploy/auto_compression/configs/picodet_reader.yml new file mode 100644 index 000000000..952a978ae --- /dev/null +++ b/deploy/auto_compression/configs/picodet_reader.yml @@ -0,0 +1,32 @@ +metric: COCO +num_classes: 80 + + +# Datset configuration +TrainDataset: + !COCODataSet + image_dir: train2017 + anno_path: annotations/instances_train2017.json + dataset_dir: dataset/coco/ + +EvalDataset: + !COCODataSet + image_dir: val2017 + anno_path: annotations/instances_val2017.json + dataset_dir: dataset/coco/ + +worker_num: 6 +eval_height: &eval_height 416 +eval_width: &eval_width 416 +eval_size: &eval_size [*eval_height, *eval_width] + +EvalReader: + sample_transforms: + - Decode: {} + - Resize: {interp: 2, target_size: *eval_size, keep_ratio: False} + - NormalizeImage: {mean: [0, 0, 0], std: [1, 1, 1], is_scale: True} + - Permute: {} + batch_transforms: + - PadBatch: {pad_to_stride: 32} + batch_size: 8 + shuffle: false diff --git a/deploy/auto_compression/configs/picodet_s_qat_dis.yaml b/deploy/auto_compression/configs/picodet_s_qat_dis.yaml new file mode 100644 index 000000000..8d9091569 --- /dev/null +++ b/deploy/auto_compression/configs/picodet_s_qat_dis.yaml @@ -0,0 +1,34 @@ +Global: + reader_config: ./configs/picodet_reader.yml + input_list: ['image', 'scale_factor'] + Evaluation: True + model_dir: ./picodet_s_416_coco_npu/ + model_filename: model.pdmodel + params_filename: model.pdiparams + +Distillation: + alpha: 1.0 + loss: l2 + +Quantization: + use_pact: true + activation_quantize_type: 'moving_average_abs_max' + weight_bits: 8 + activation_bits: 8 + quantize_op_types: + - conv2d + - depthwise_conv2d + +TrainConfig: + train_iter: 8000 + eval_iter: 1000 + learning_rate: + type: CosineAnnealingDecay + learning_rate: 0.00001 + T_max: 8000 + optimizer_builder: + optimizer: + type: SGD + weight_decay: 4.0e-05 + + -- GitLab