概述

简述

EfficientNet-B5网络模型属于EfficientNet系列网络。该系列网络的基础网络EfficientNet-B0通过神经网络搜索（NAS）搜索得出，随后通过复合缩放策略对EfficientNet-B0进行分辨率、深度和宽度三个维度上的同时缩放，得到了EfficientNet B1-B7，实现了网络在效率和准确率上的优化。

• 参考实现：

  url=https://github.com/facebookresearch/pycls.git
  commit_id=0ddcc2b25607c7144fd6c169d725033b81477223

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/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==0.2.2.post3；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

1. 获取数据集。

   用户自行获取 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。

2. 数据预处理。

   在 pycls/datasets/loader.py 中修改数据集的路径，将变量 _DATA_DIR 修改为 imagenet 数据集的路径。

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

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh --data_path=/data/xxx/  # 8卡评测

   --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：
   --cfg                               //使用yaml配置文件路径
   --rank_id                           //默认卡号
   --device_id                         //默认设备号

   训练完成后，权重文件默认会写入到和test文件同一目录下，并输出模型训练精度和性能信息到网络脚本test下output文件夹内。

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	-	-	100	-	1.5
8p-竞品V	-	-	100	-	1.5
1p-NPU	-	55	100	O2	1.8
8p-NPU	79.092	430	100	O2	1.8

版本说明

变更

2022.08.01：更新pytorch1.8版本，重新发布。

2020.12.23：首次发布。

FAQ

无。

公网地址说明

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