Echo/fcb_photo_review

Fork 0

Files

liuyebo 1514e09c40 更换文档检测模型

2024-08-27 14:42:45 +08:00

6.3 KiB

Raw Blame History

PP-PicoDet全量化示例

1.简介
2.Benchmark
3.全量化流程
4.预测部署
5.FAQ

1. 简介

本示例以PicoDet为例，介绍从模型训练、模型全量化，到NPU硬件上部署的全流程。

Benchmark表格中已经提供了基于COCO数据预训练模型全量化的模型。
已经验证的NPU硬件：
- 瑞芯微-开发板：Rockchip RV1109、Rockchip RV1126、Rockchip RK1808
- 晶晨-开发板：Amlogic A311D、Amlogic S905D3、Amlogic C308X
- 恩智浦-开发板：NXP i.MX 8M Plus
未验证硬件部署思路：
- 未验证，表示该硬件暂不支持Paddle Lite推理部署，可以选择Paddle2ONNX导出，使用硬件的推理引擎完成部署，前提该硬件支持ONNX的全量化模型。

2.Benchmark

PicoDet-S-NPU

模型	策略	mAP	FP32	INT8	配置文件	模型
PicoDet-S-NPU	Baseline	30.1	-	-	config	Model
PicoDet-S-NPU	量化训练	29.7	-	-	config	Model

mAP的指标均在COCO val2017数据集中评测得到，IoU=0.5:0.95。

3. 全量化流程

基于自己数据训练的模型，可以参考如下流程。

3.1 准备环境

PaddlePaddle >= 2.3 （可从Paddle官网下载安装）
PaddleSlim >= 2.3
PaddleDet >= 2.4

安装paddlepaddle：

# CPU
pip install paddlepaddle
# GPU
pip install paddlepaddle-gpu

安装paddleslim：

pip install paddleslim

安装paddledet：

pip install paddledet

3.2 准备数据集

本案例默认以COCO数据进行全量化实验，如果自定义数据，可将数据按照COCO数据的标准准备；其他自定义数据，可以参考PaddleDetection数据准备文档来准备。

以PicoDet-S-NPU模型为例，如果已经准备好数据集，请直接修改picodet_reader.yml中EvalDataset的dataset_dir字段为自己数据集路径即可。

3.3 全精度模型训练

如需模型全量化，需要准备一个训好的全精度模型，如果已训好模型可跳过该步骤。

单卡GPU上训练:

# training on single-GPU
export CUDA_VISIBLE_DEVICES=0
python tools/train.py -c configs/picodet/picodet_s_416_coco_npu.yml --eval

**注意：**如果训练时显存out memory，将TrainReader中batch_size调小，同时LearningRate中base_lr等比例减小。同时我们发布的config均由4卡训练得到，如果改变GPU卡数为1，那么base_lr需要减小4倍。

多卡GPU上训练:

# training on multi-GPU
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch --gpus 0,1,2,3 tools/train.py -c configs/picodet/picodet_s_416_coco_npu.yml --eval

**注意：**PicoDet所有模型均由4卡GPU训练得到，如果改变训练GPU卡数，需要按线性比例缩放学习率base_lr。

评估:

python tools/eval.py -c configs/picodet/picodet_s_416_coco_npu.yml \
              -o weights=https://paddledet.bj.bcebos.com/models/picodet_s_416_coco_npu.pdparams

3.4 导出预测模型

使用如下命令，导出Inference模型，用于全量化训练。导出模型默认存放在output_inference文件夹,包括*.pdmodel和*.pdiparams文件，用于全量化。

命令说明：
- -c: 3.3 全精度模型训练训练时使用的yam配置文件。
- -o weight: 预测模型文件，该文档直接使用基于COCO上训练好的模型。

python tools/export_model.py \
        -c configs/picodet/picodet_s_416_coco_npu.yml \
        -o weights=https://paddledet.bj.bcebos.com/models/picodet_s_416_coco_npu.pdparams \

3.5 全量化训练并产出模型

进入PaddleSlim自动化压缩Demo文件夹下：
```
cd deploy/auto_compression/
```

全量化示例通过run.py脚本启动，会使用接口paddleslim.auto_compression.AutoCompression对模型进行全量化。配置config文件中模型路径、蒸馏、量化、和训练等部分的参数，配置完成后便可对模型进行量化和蒸馏。具体运行命令为：

单卡量化训练：

export CUDA_VISIBLE_DEVICES=0
python run.py --config_path=./configs/picodet_s_qat_dis.yaml --save_dir='./output/'

多卡量化训练：

CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch --log_dir=log --gpus 0,1,2,3 run.py \
        --config_path=./configs/picodet_s_qat_dis.yaml --save_dir='./output/'

最终模型默认产出在output文件夹下，训练完成后，测试全量化模型精度

将config要测试的模型路径可以在配置文件中model_dir字段下进行修改。使用eval.py脚本得到模型的mAP：

export CUDA_VISIBLE_DEVICES=0
python eval.py --config_path=./configs/picodet_s_qat_dis.yaml

4.预测部署

请直接使用PicoDet的Paddle Lite全量化Demo进行落地部署。

6.3 KiB Raw Blame History Unescape Escape