概述

简述

MobileNetV3结合了MobileNetV1的深度可分离卷积、MobileNetV2的Inverted Residuals和Linear Bottleneck、SE模块，利用NAS（神经结构搜索）来搜索网络的配置和参数，采用了新的非线性激活层h-swish，在精度和性能方面较MobileNetV2均有一定程度提高。

• 参考实现：

  url=https://github.com/pytorch/examples/tree/main/imagenet
  commit_id=f5bb60f8e6b2881be3a2ea8c9a3d43e676aa2340

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/built-in/cv/classification

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
  PyTorch 1.8	torchvision==0.9.1
  PyTorch 1.11	torchvision==0.12.0
  PyTorch 2.1	torchvision==0.16.0

• 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
  
  pip install -r 1.11_requirements.txt  # PyTorch1.11版本
  
  pip install -r 2.1_requirements.txt  # PyTorch2.1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。

   用户自行下载 ImageNet 数据集，将数据集上传到服务器任意路径下并解压。

   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。

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

   • 在线推理

     启动在线推理。

     bash ./test/eval.sh --data_path=/data/xxx/ --resume=/resume_path  # 在线推理

   --data_path参数填写数据集路径，需写到数据集的一级目录，--reusme参数填写模型权重

   模型训练脚本参数说明如下。

   公共参数：
   --arch                         //模型名称
   --data                         //数据集路径
   --batch_size                   //训练批次大小
   --learning-rate                //初始学习率
   --print-freq                   //打印频率
   --epochs                       //重复训练次数
   --apex                         //使用混合精度
   --apex-opt-level               // apex优化器级别
   --lr-step-size                 // 学习率调整步数大小
   --lr-gamma                     // lr 伽马参数
   --wd                           // 权重衰减参数
   --device_id                     //使用设备
   --workers                      //工作线程数
   --max_steps                    // 性能模型最大执行步数

   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	O2	1.5
8p-竞品V	74.0	3885	600	O2	1.5
1p-NPU	-	1660.49	1	O2	1.8
8p-NPU	73.5	6879.23	600	O2	1.8

版本说明

变更

2023.03.22：更新模型精度基线

2022.10.24：更新torch1.8版本，重新发布。

2021.07.05：首次发布。

FAQ

1. 在ARM平台上，安装0.6.0版本的torchvision，需进行源码编译安装，可以参考源码readme进行安装。

   https://github.com/pytorch/vision

公网地址说明

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