LResNet100E-IR for PyTorch

概述

简述

LResNet100E-IR是一个目标识别网络模型，该网络提出一种新的损失函数Additive Angular Margin Loss（ArcFace），通过深度卷积神经网络DCNN学习的特征嵌入，可以有效地增强目标识别的判别能力。

• 参考实现：

  url=https://github.com/TreB1eN/InsightFace_Pytorch
  commit_id=350ff7aa9c9db8d369d1932e14d2a4d11a3e9553
  

• 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
  PyTorch 1.8	torchvision==0.9.1

• 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 faces_emore 原始数据集，将数据集上传到服务器模型源码包根目录的 data 目录下并解压。可参考源码仓的方式获取数据集。

   数据集目录结构参考如下所示。

   data
    |-- data_pipe.py
    |-- faces_emore
            |-- agedb_30
            |-- calfw
            |-- cfp_ff
            |-- cfp_fp
            |-- cfp_fp
            |-- cplfw
            |-- imgs
            |-- lfw
            |-- vgg2_fp             
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

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} 
   # 创建日志存储，模型存储目录
   rm -rf ./work_space/* 
   mkdir ./work_space/history && mkdir ./work_space/log && mkdir ./work_space/models && mkdir ./work_space/save
   

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/faces_emore/  # 单卡精度，大约花费40h
     
     bash ./test/train_performance_1p.sh --data_path=./data/faces_emore/  # 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/faces_emore/  # 8卡精度，大约花费7h
     
     bash ./test/train_performance_8p.sh --data_path=./data/faces_emore/  # 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/faces_emore/lfw.bin --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：
   --net_mode                          //网络模型
   --net_depth                         //网络模型深度
   --data_mode                         //数据集模式
   --data_path                         //数据集路径
   --max_iter						   //最大迭代次数
   --start_epoch					   //开始的epoch数      
   --epochs                            //重复训练次数
   --batch-size                        //训练批次大小
   --lr                                //初始学习率，默认：0.01
   --num_workers					   //数据集加载进程数
   --device_type					   //训练设备类型
   --device_id						   //训练设备号
   --use_amp                           //是否使用混合精度
   --loss-scale                        //混合精度lossscale大小
   --opt-level                         //混合精度类型
   多卡训练参数：
   --distributed    				   //是否使用多卡训练
   

   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	Accuracy	FPS	Epochs	AMP_Type	Torch_Version	lr	Batch_Size
1p-竞品V	-	-	2	-	1.5	-	-
8p-竞品V	-	-	20	-	1.5	-	-
1p-NPU	-	505.43	2	O2	1.8	0.001	256
8p-NPU	0.9967	4696	20	O2	1.8	0.01	320*8

版本说明

变更

2022.03.18：首次发布。

FAQ

无。

公网地址说明

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