图像分类场景ResNet50

ResNet50模型训练参数及范围

ResNet50模型训练的参数名、类型、取值范围、默认值及说明如表1所示。

表1 ResNet50模型训练参数信息（resnet50_mindspore/model_train.py）
参数名	类型	取值范围	默认值	说明
--train_dataset_path	str	-	None	训练数据集路径。
--pretrained_ckpt_path	str	-	"pre_trained_ckpt"	预训练模型存放路径。
--train_output_path	str	-	"train_output_path"	训练结果输出路径。
--device_num	int	当前仅支持单卡，取值为1	1	训练NPU的数量。
--device_id	int	[0,7]	0	训练NPU的id。
--run_eval	bool	True 或 False	True	训练过程中是否评估。
--batch_size	int	run_eval=False时，小于或等于数据集图片个数。 run_eval=True时，小于或等于数据集图片个数的20%。 [1， 8192]	16	训练batch数。
--epoch_size	int	[1, 10000]	10	训练次数。
--init_lr	float	(0, 1)	0.0001	训练学习率。
--enable_modelarts	bool	True 或 False	False	是否使用ModelArts进行训练。
--data_url	str	-	None	在ModelArts训练时，数据集路径。
--train_output_url	str	-	None	在ModelArts训练时，输出路径。
--checkpoint_url	str	-	None	在ModelArts训练时，预训练模型路径。
--net_width	int	[64, 608] 且为16的整数倍	224	网络宽度。
--net_height	int	[64, 608] 且为16的整数倍	224	网络高度。

ResNet50模型训练命令参考

ResNet50模型训练的命令参考如下：

python3 model_train.py --train_dataset_path={train_dataset_path} --train_output_path=./output_path --epoch_size=10 --batch_size=16 --init_lr=0.0001 --device_num=1 --device_id=0 --run_eval=True

ResNet50模型训练过程存在随机性，最终以评估精度为准。训练精度结果如图1所示。

图1 ResNet50模型训练精度结果

训练结束后日志信息参考如图2所示。

图2 ResNet50模型训练日志信息

训练结束后会在“--train_output_path”参数指定的输出目录中生成.ckpt、.a310.om、.a310p.om和.air格式的模型文件。

评估参数及范围

ResNet50模型评估的参数名、类型、取值范围、默认值及说明如表2所示。

表2 ResNet50模型评估参数信息（resnet50_mindspore/model_eval.py）
参数名	类型	取值范围	默认值	说明
--eval_dataset_path	str	-	None	评估数据集路径。
--eval_ckpt_path	str	-	None	评估ckpt获取路径。
--eval_output_path	str	-	"eval_output_path"	评估结果输出路径。
--device_id	int	[0,7]	0	评估NPU的编号。
--enable_modelarts	bool	True 或 False	False	是否使用ModelArts进行训练。
--data_url	str	-	None	在ModelArts训练时，数据集路径。
--eval_output_url	str	-	None	在ModelArts训练时，输出路径。
--checkpoint_url	str	-	None	在ModelArts训练时，预训练模型路径。

评估命令参考

ResNet50模型评估的启动参考以下命令。

python3 model_eval.py --eval_dataset_path={eval_dataset_path} --eval_ckpt_path=./output_ path --eval_output_path=./eval_result --device_id=0

采用训练输出的ckpt，来评估模型的精度值，如图3所示。

图3 ResNet50模型评估精度结果

在评估目录下会生成如图4所示的文件及目录，其中“ng_images”、“ok_images”文件夹，以及“statistics.csv”文件，其中“ng_images”文件夹存放评估不正确的每张图片、“ok_images”文件夹存放评估正确的每张图片，“statistics.csv”存放评估结果的类别名、标签数量、检出个数、正检个数、精确率、召回率和精度值结果。

图4 ResNet50模型评估生成目录

父主题： 训练组件