\u200E
PaddleHub
便捷地获取PaddlePaddle生态下的预训练模型,完成模型的管理和一键预测。配合使用Fine-tune API,可以基于大规模预训练模型快速完成迁移学习,让预训练模型能更好地服务于用户特定场景的应用
零基础快速开始
repvgg_b1g2_imagenet
类别图像 - 图像分类
网络RepVGG
数据集ImageNet
模型概述
RepVGG(Making VGG-style ConvNets Great Again)系列模型是清华大学(丁桂光团队)、旷视科技(孙建等)、香港科技大学和阿伯里斯特威斯大学于2021年提出的一种简单但功能强大的卷积神经网络架构。有一个类似于 VGG 的推理时间代理。主体由3x3卷积和relu stack组成,而训练时间模型具有多分支拓扑。训练时间和推理时间的解耦是通过重新参数化技术实现的,因此该模型被称为repvgg。
选择模型版本进行安装
1.0.0 (最新版)
$ hub install repvgg_b1g2_imagenet==1.0.0

命令行预测

$ hub run repvgg_b1g2_imagenet --input_path "/PATH/TO/IMAGE" --top_k 5

脚本预测

import paddle
import paddlehub as hub

if __name__ == '__main__':

    model = hub.Module(name='repvgg_b1g2_imagenet',)
    result = model.predict([PATH/TO/IMAGE])

Fine-tune代码步骤

使用PaddleHub Fine-tune API进行Fine-tune可以分为4个步骤。

Step1: 定义数据预处理方式

import paddlehub.vision.transforms as T

transforms = T.Compose([T.Resize((256, 256)),
                        T.CenterCrop(224),
                        T.Normalize(mean=[0.485, 0.456, 0.406], std = [0.229, 0.224, 0.225])],
                        to_rgb=True)

'transforms' 数据增强模块定义了丰富的数据预处理方式,用户可按照需求替换自己需要的数据预处理方式。

Step2: 下载数据集并使用

from paddlehub.datasets import Flowers

flowers = Flowers(transforms)
flowers_validate = Flowers(transforms, mode='val')
  • transforms(Callable): 数据预处理方式。
  • mode(str): 选择数据模式,可选项有 'train', 'test', 'val', 默认为'train'。

'hub.datasets.Flowers()' 会自动从网络下载数据集并解压到用户目录下'$HOME/.paddlehub/dataset'目录。

Step3: 加载预训练模型

import paddlehub as hub

model = hub.Module(name='repvgg_b1g2_imagenet',
                   label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"],
                   load_checkpoint=None)
  • name(str): 选择预训练模型的名字。
  • label_list(list): 设置标签对应分类类别, 默认为Imagenet2012类别。
  • load _checkpoint(str): 模型参数地址。

PaddleHub提供许多图像分类预训练模型,如xception、mobilenet、efficientnet等,详细信息参见图像分类模型

如果想尝试efficientnet模型,只需要更换Module中的'name'参数即可.

import paddlehub as hub

# 更换name参数即可无缝切换efficientnet模型, 代码示例如下
module = hub.Module(name="efficientnetb7_imagenet")

NOTE:目前部分模型还没有完全升级到2.0版本,敬请期待。

Step4: 选择优化策略和运行配置

import paddle
from paddlehub.finetune.trainer import Trainer

optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())
trainer = Trainer(model, optimizer, checkpoint_dir='img_classification_ckpt')

trainer.train(flowers, epochs=100, batch_size=32, eval_dataset=flowers_validate, save_interval=1)

优化策略

Paddle2.0rc提供了多种优化器选择,如'SGD', 'Adam', 'Adamax'等,详细参见策略

其中'Adam':

  • learning_rate: 全局学习率。默认为1e-3;
  • parameters: 待优化模型参数。

运行配置

'Trainer' 主要控制Fine-tune的训练,包含以下可控制的参数:

  • model: 被优化模型;
  • optimizer: 优化器选择;
  • use_vdl: 是否使用vdl可视化训练过程;
  • checkpoint_dir: 保存模型参数的地址;
  • compare_metrics: 保存最优模型的衡量指标;

'trainer.train' 主要控制具体的训练过程,包含以下可控制的参数:

  • train_dataset: 训练时所用的数据集;
  • epochs: 训练轮数;
  • batch_size: 训练的批大小,如果使用GPU,请根据实际情况调整batch_size;
  • num_workers: works的数量,默认为0;
  • eval_dataset: 验证集;
  • log_interval: 打印日志的间隔, 单位为执行批训练的次数。
  • save_interval: 保存模型的间隔频次,单位为执行训练的轮数。

模型预测

当完成Fine-tune后,Fine-tune过程在验证集上表现最优的模型会被保存在'${CHECKPOINT_DIR}/best_model'目录下,其中'${CHECKPOINT_DIR}'目录为Fine-tune时所选择的保存checkpoint的目录。 我们使用该模型来进行预测。predict.py脚本如下:

import paddle
import paddlehub as hub

if __name__ == '__main__':

    model = hub.Module(name='repvgg_b1g2_imagenet', label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"], load_checkpoint='/PATH/TO/CHECKPOINT')
    result = model.predict(['flower.jpg'])

参数配置正确后,请执行脚本'python predict.py', 加载模型具体可参见加载

NOTE: 进行预测时,所选择的module,checkpoint_dir,dataset必须和Fine-tune所用的一样。

服务部署

PaddleHub Serving可以部署一个在线分类任务服务

Step1: 启动PaddleHub Serving

运行启动命令:

$ hub serving start -m repvgg_b1g2_imagenet

这样就完成了一个分类任务服务化API的部署,默认端口号为8866。

NOTE: 如使用GPU预测,则需要在启动服务之前,请设置CUDA_VISIBLE_DEVICES环境变量,否则不用设置。

Step2: 发送预测请求

配置好服务端,以下数行代码即可实现发送预测请求,获取预测结果

import requests
import json
import cv2
import base64

import numpy as np


def cv2_to_base64(image):
    data = cv2.imencode('.jpg', image)[1]
    return base64.b64encode(data.tostring()).decode('utf8')

def base64_to_cv2(b64str):
    data = base64.b64decode(b64str.encode('utf8'))
    data = np.fromstring(data, np.uint8)
    data = cv2.imdecode(data, cv2.IMREAD_COLOR)
    return data

# 发送HTTP请求
org_im = cv2.imread('/PATH/TO/IMAGE')

data = {'images':[cv2_to_base64(org_im)], 'top_k':2}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/repvgg_b1g2_imagenet"
r = requests.post(url=url, headers=headers, data=json.dumps(data))
data =r.json()["results"]['data']

查看代码

PaddleClas

依赖

paddlepaddle >= 2.0.0

paddlehub >= 2.0.0