GloRe for PyTorch
概述
简述
Glore是一个经典的视频分类网络，其包含了基于图的全局推理网络，他的名称也由此而来，这个特点让Glore可以捕获画面中各个语义之间构成的全局信息，以获取更优的精度。
-
参考实现：
url=https://github.com/facebookresearch/GloRe commit_id=9c6a7340ebb44a66a3bf1945094fc685fb7b730d -
适配昇腾 AI 处理器的实现：
url=https://gitcode.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/video
准备训练环境
准备环境
-
当前模型支持的 PyTorch 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==0.6.0；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
-
获取数据集。
请用户自行获取原始数据集UCF-101，包含训练集和测试集两部分，并在模型源码包根目录
./dataset/UCF101/raw/路径下新建data文件夹，将获取的数据集上传至该路径下并解压。数据集目录结构参考如下所示。
├── ucf101 │ ├── ucf101_{train,val}_split_{1,2,3}_rawframes.txt │ ├── ucf101_{train,val}_split_{1,2,3}_videos.txt │ ├── annotations │ ├── videos │ │ ├── ApplyEyeMakeup │ │ │ ├── v_ApplyEyeMakeup_g01_c01.avi │ │ ├── YoYo │ │ │ ├── v_YoYo_g25_c05.avi │ ├── rawframes │ │ ├── ApplyEyeMakeup │ │ │ ├── v_ApplyEyeMakeup_g01_c01 │ │ │ │ ├── img_00001.jpg │ │ │ │ ├── img_00002.jpg │ │ │ │ ├── ... │ │ │ │ ├── flow_x_00001.jpg │ │ │ │ ├── flow_x_00002.jpg │ │ │ │ ├── ... │ │ │ │ ├── flow_y_00001.jpg │ │ │ │ ├── flow_y_00002.jpg │ │ ├── ... │ │ ├── YoYo │ │ │ ├── v_YoYo_g01_c01 │ │ │ ├── ... │ │ │ ├── v_YoYo_g25_c05说明： 该数据集的训练过程脚本只作为一种参考示例。
获取预训练模型
请用户自行获取预训练模型resnet50-lite_3d_8x8_w-glore_2-3_ep-0000.pth，将获取的预训练模型存放在源码包根目录./network/pretrained/路径下。
开始训练
训练模型
-
进入解压后的源码包根目录。
cd /${模型文件夹名称} -
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 # 单卡精度 bash ./test/train_performance_1p.sh # 单卡性能 -
单机8卡训练
启动8卡训练。
bash ./test/train_full_8p.sh # 8卡精度 bash ./test/train_performance_8p.sh # 8卡性能
模型训练脚本参数说明如下。
公共参数： --network //设置主干网络 --pretrained //加载预训练模型 --batch-size //训练批次大小 --random-seed //随机种子设置 --backend //通信后端 --amp //是否使用混合精度 --loss-scale //混合精度loss scale大小 --opt-level //混合精度类型 --distributed //启动分布式训练训练完成后，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 | ACC@1 | FPS | Epochs | AMP_Type |
|---|---|---|---|---|
| 1p-NPU | - | 11.647 | 90 | O2 |
| 8p-NPU | 92.39 | 141.31 | 90 | O2 |
版本说明
变更
2023.03.21：更新readme，重新发布。
2020.07.08：首次发布。
FAQ
-
在ARM平台上，若无法使用pip安装0.6.0版本的torchvision，可参考源码readme，进行本地编译安装。
# 源码链接 https://github.com/pytorch/vision