EfficientNet-B3 for PyTorch

概述

简述

EfficientNet-B3是一个新的卷积网络家族，与之前的模型相比，具有更快的训练速度和更好的参数效率。该模型通过一组固定的缩放系数统一缩放，这在网络深度，网络宽带，分辨率这三方面有明显优势。在 EfficientNet 中，这些特性是按更有原则的方式扩展的，也就是说，一切都是逐渐增加的。

• 参考实现：

  url=https://github.com/facebookresearch/pycls
  commit_id=ee89cecb0e295b8037843e7e28344b156a847554
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/classification
  

准备训练环境

该模型为不随版本演进模型（随版本演进模型范围可在此处查看），未在最新昇腾配套软件中适配验证，您可以：

1. 根据下面提供PyTorch版本在软件版本配套表中选择匹配的CANN等软件下载使用。
2. 查看软件版本配套表后确认对该模型有新版本PyTorch和CANN中的适配需求，请在modelzoo/issues中提出您的需求。自行适配不保证精度和性能达标。

准备环境

• 当前模型支持的 PyTorch 历史版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 1.5	torchvision==0.2.2.post3；pillow==8.4.0
  PyTorch 1.8	torchvision==0.9.1；pillow==9.1.0

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

  pip install -r 1.5_requirements.txt  # PyTorch1.5版本
  
  pip install -r 1.8_requirements.txt  # PyTorch1.8版本
  

  说明： 只需执行一条对应的PyTorch版本依赖安装命令。

准备数据集

1. 获取数据集。

   用户自行获取原始数据集 imagenet ，将数据集上传到服务器并解压。

   数据集目录结构参考如下所示:

   ├──ImageNet
      ├──train
           ├──类别1
                 │──图片1
                 │──图片2
                 │   ...       
           ├──类别2
                 │──图片1
                 │──图片2
                 │   ...   
           ├──...                     
      ├──val  
           ├──类别1
                 │──图片1
                 │──图片2
                 │   ...       
           ├──类别2
                 │──图片1
                 │──图片2
                 │   ...    
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

2. 数据预处理。

   在 pycls/datasets/loader.py 中修改数据集的路径，将变量 _DATA_DIR 修改为 imagenet 数据集的路径。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称}
   

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_full_1p.sh --data_path=/data/xxx/  # 单卡精度
     
     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能
     

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能
     

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path=/data/xxx/ --pth_path=real_pre_train_model_path # 8卡评测
     

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --pth_path参数填写训练权重生成路径，需写到权重文件的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --device                            //使用设备，gpu或npu
   --cfg                               //使用yaml配置文件路径
   --rank_id                           //默认卡号
   --device_id                         //默认设备号
   

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	-	1	-	1.5
8p-竞品V	-	-	100	-	1.5
1p-NPU	-	356	1	O2	1.8
8p-NPU	77.0613	2236	100	O2	1.8

版本说明

2022.08.01：更新pytorch1.8版本，重新发布。

FAQ

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md