{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "## 1. PP-LCNetV2 模型简介\n", "PP-LCNetV2 系列模型是 PaddleCV 团队提出的轻量级卷积神经网络模型，该系列模型基于 PP-LCNetv1 改进而来，更为侧重较高的模型性能，在 ImageNet1k 数据集上可以达到 77.04% 的精度，同时推理延时在 4.32ms 左右。另外，考虑到产业界大量使用 OpenVINO 推理框架的情况，PP-LCNetV2 系列模型针对 Intel CPU 硬件平台结合 OpenVINO 推理框架特别优化。\n", "\n", "PP-LCNetV2 系列模型基于 PaddleClas 开发、训练，更多关于 PP-LCNetV2 系列模型的更多信息，可以从 [PaddleClas-PPLCNetV2](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.5/docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md) 获取。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 2. 模型效果\n", "\n", "PP-LCNetV2 系列模型在 ImageNet1k 数据集上的评测指标如下所示：\n", "\n", "| Model | Params(M) | FLOPs(M) | Top-1 Acc(\\%) | Top-5 Acc(\\%) | Latency(ms) |\n", "|:--:|:--:|:--:|:--:|:--:|:--:|\n", "| PPLCNetV2_base | 6.6 | 604 | 77.04 | 93.27 | 4.32 |\n", "| PPLCNetV2_base_ssld | 6.6 | 604 | 80.07 | 94.87 | 4.32 |\n", "\n", "其中 `_ssld` 表示使用 `SSLD 蒸馏`后的模型。关于 `SSLD蒸馏` 的内容，详情 [SSLD 蒸馏](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.5/docs/zh_CN/training/advanced/knowledge_distillation.md)。\n", "\n", "与同量级其他轻量级网络的性能对比：\n", "\n", "| Model | Params(M) | FLOPs(M) | Top-1 Acc(\\%) | Top-5 Acc(\\%) | Latency(ms) |\n", "|:--:|:--:|:--:|:--:|:--:|:--:|\n", "| MobileNetV3_Large_x1_25 | 7.4 | 714 | 76.4 | 93.00 | 5.19 |\n", "| PPLCNetv1_x2_5 | 9 | 906 | 76.60 | 93.00 | 7.25 |\n", "| PPLCNetV2_base | 6.6 | 604 | 77.04 | 93.27 | 4.32 |\n", "| PPLCNetV2_base_ssld | 6.6 | 604 | 80.07 | 94.87 | 4.32 |" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 3. 模型快速使用\n", "\n", "### 3.1 模型推理：\n", "* 安装相关 Python 包\n", "\n", "（不在Jupyter Notebook上运行时需要将\"!\"去掉。）\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "如果您的机器安装了 CUDA9、CUDA10 或 CUDA11，请运行以下命令安装 paddle" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "!pip install paddlepaddle-gpu" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "您的机器是CPU，请运行以下命令安装 paddle" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "!pip install paddlepaddle" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "安装 paddleclas" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "jupyter": { "outputs_hidden": false }, "scrolled": true, "tags": [] }, "outputs": [], "source": [ "!pip install paddleclas" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "* 快速体验\n", "\n", "恭喜！ 您已经成功安装了 PaddleClas，接下来快速体验图像分类效果。" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "scrolled": true, "tags": [] }, "outputs": [], "source": [ "!wget https://gitee.com/paddlepaddle/PaddleClas/raw/release/2.5/docs/images/inference_deployment/whl_demo.jpg\n", "!paddleclas --model_name=PPLCNetV2_base --infer_imgs=\"./whl_demo.jpg\"" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "上述命令的运行结果如下所示：\n", "\n", "class_ids: [8, 7, 86, 82, 83], scores: [0.8859, 0.07156, 0.00588, 0.00047, 0.00034], label_names: ['hen', 'cock', 'partridge', 'ruffed grouse, partridge, Bonasa umbellus', 'prairie chicken, prairie grouse, prairie fowl'], filename: docs/images/inference_deployment/whl_demo.jpg\n", "Predict complete" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 3.2 模型训练\n", "* PP-LCNetV2 系列模型基于 PaddleClas 实现，模型训练的具体信息请参考[模型训练、评估和预测](https://github.com/PaddlePaddle/PaddleClas/blob/release/2.5/docs/zh_CN/models/ImageNet1k/PP-LCNetV2.md#3-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E8%AF%84%E4%BC%B0%E5%92%8C%E9%A2%84%E6%B5%8B)。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 4. 模型原理" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 4.1 总体结构\n", "\n", "PP-LCNetV2 网络的整体结构如下图所示：\n", "\n", "
\n", "\n", "
\n", "\n", "### 4.2 模型细节\n", "\n", "PP-LCNetV2 模型是在 PP-LCNetV1 的基础上优化而来，主要使用重参数化策略组合了不同大小卷积核的深度卷积，并优化了点卷积、Shortcut等。\n", "\n", "#### 4.2.1 Rep 策略\n", "\n", "卷积核的大小决定了卷积层感受野的大小，通过组合使用不同大小的卷积核，能够获取不同尺度的特征，因此 PPLCNetV2 在 Stage4、Stage5 中，在同一层组合使用 kernel size 分别为 5、3、1 的 DW 卷积，同时为了避免对模型效率的影响，使用重参数化（Re parameterization，Rep）策略对同层的 DW 卷积进行融合，如下图所示。\n", "\n", "
\n", "\n", "
\n", "\n", "#### 4.2.2 PW 卷积\n", "\n", "深度可分离卷积通常由一层 DW 卷积和一层 PW 卷积组成，用以替换标准卷积，为了使深度可分离卷积具有更强的拟合能力，我们尝试使用两层 PW 卷积，同时为了控制模型效率不受影响，两层 PW 卷积设置为：第一个在通道维度对特征图压缩，第二个再通过放大还原特征图通道，如下图所示。通过实验发现，该策略能够显著提高模型性能，同时为了平衡对模型效率带来的影响，PPLCNetV2 仅在 Stage4 中使用了该策略。\n", "\n", "
\n", "\n", "
\n", "\n", "#### 4.2.3 Shortcut\n", "\n", "残差结构（residual）自提出以来，被诸多模型广泛使用，但在轻量级卷积神经网络中，由于残差结构所带来的元素级（element-wise）加法操作，会对模型的速度造成影响，我们在 PP-LCNetV2 中，以 Stage 为单位实验了残差结构对模型的影响，发现残差结构的使用并非一定会带来性能的提高，因此 PPLCNetV2 仅在最后一个 Stage 中的使用了残差结构：在 Block 中增加 Shortcut，如下图所示。\n", "\n", "
\n", "\n", "
\n", "\n", "#### 4.2.4 激活函数\n", "\n", "在目前的轻量级卷积神经网络中，ReLU、Hard-Swish 激活函数最为常用，虽然在模型性能方面，Hard-Swish 通常更为优秀，然而我们发现部分推理平台对于 Hard-Swish 激活函数的效率优化并不理想，因此为了兼顾通用性，PP-LCNetV2 默认使用了 ReLU 激活函数，并且我们测试发现，ReLU 激活函数对于较大模型的性能影响较小。\n", "\n", "\n", "#### 4.2.5 SE 模块\n", "\n", "虽然 SE 模块能够显著提高模型性能，但其对模型速度的影响同样不可忽视，在 PP-LCNetV1 中，我们发现在模型中后部使用 SE 模块能够获得最大化的收益。在 PP-LCNetV2 的优化过程中，我们以 Stage 为单位对 SE 模块的位置做了进一步实验，并发现在 Stage4 中使用能够取得更好的平衡。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 5. 注意事项\n", "PP-LCNetV2 系列模型在 Intel CPU 端延时测试基于 Intel Xeon Gold 6271C 硬件平台完成，推理框架使用 OpenVINO 2021.4.2，推理 batch size 为 1，线程数为 10。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 6. 相关论文以及引用信息" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.8.8" } }, "nbformat": 4, "nbformat_minor": 4 }