概述

简述

MobileNetv2在MobileNetv1的基础上新提出了Linear Bottleneck 和 Inverted Residuals两种方法，使能在保持类似精度的条件下显著的减少模型参数和计算量。

• 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

   • 多机多卡性能数据获取流程

      1. 准备多机环境
      2. 开始训练，每个机器请按下面提示进行配置
          bash ./test/train_performance_multinodes.sh --data_path=数据集路径 --batch_size=单卡batch_size*单机卡数 --nnodes=机器总数量 --node_rank=当前机器rank(0,1,2..) --local_addr=当前机器IP(需要和master_addr处于同一网段) --master_addr=主节点IP

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --addr                    		// 节点ip
   --seed                     		// 随机数种子
   --workers                  		// 工作线程数
   --lr                       		// 学习率
   --print-freq               		// 多久一次打印
   --eval-freq 1              		// 多久一次验证
   --dist-url                 		// 分布式节点url
   --dist-backend             		// 分布式所用后台
   --multiprocessing-distributed   // 是否使用分布式
   --world-size                    // 总共进程数
   --class-nums                    //  类别数量
   --batch-size                    // 一次训练多少图片
   --epochs                        // 训练多少轮
   --rank                          // 当前进程排名
   --device-list                   //  使用哪些卡
   --amp                           // 混合精度
   --benchmark 0                   // 是否启用benchmark
   --data                          // 数据路径

   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-NPU(ARM)	-	2789.13	1	O2	1.8
8p-NPU(ARM)	71.3	13477.3	600	O2	1.8
1p-NPU(非ARM)	-	2807.02	1	O2	1.8
8p-NPU(非ARM)	-	9190.41	600	O2	1.8

版本说明

变更

2023.04.24：更新torch1.8版本，重新发布。

2020.12.19：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