# NeXtVLAD视频分类模型 --- ## 算法介绍 NeXtVLAD模型是第二届Youtube-8M视频理解竞赛中效果优异的单模型，在参数量小于80M的情况下，能得到高于0.87的GAP指标。该模型提供了一种将桢级别的视频特征转化并压缩成特征向量，以适用于大尺寸视频文件的分类的方法。其基本出发点是在NetVLAD模型的基础上，将高维度的特征先进行分组，通过引入attention机制聚合提取时间维度的信息，这样既可以获得较高的准确率，又可以使用更少的参数量。详细内容请参考[NeXtVLAD: An Efficient Neural Network to Aggregate Frame-level Features for Large-scale Video Classification](https://arxiv.org/abs/1811.05014)。 这里实现了论文中的单模型结构，使用2nd-Youtube-8M的train数据集作为训练集，在val数据集上做测试。 ## 数据准备 NeXtVLAD模型使用2nd-Youtube-8M数据集, 数据下载及准备请参考[数据说明](https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/PaddleVideo/data/dataset/README.md) ## 模型训练 ### 随机初始化开始训练 在video目录下可以通过如下两种方式启动训练： export CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --model_name=NEXTVLAD \ --config=./configs/nextvlad.yaml \ --log_interval=10 \ --valid_interval=1 \ --use_gpu=True \ --save_dir=./data/checkpoints \ --fix_random_seed=False bash run.sh train NEXTVLAD ./configs/nextvlad.yaml - 在训练NeXtVLAD模型时使用的是4卡，请修改run.sh中的CUDA\_VISIBLE\_DEVICES=0,1,2,3 ### 使用预训练模型做finetune 请先将提供的预训练模型[model](https://paddlemodels.bj.bcebos.com/video_classification/NEXTVLAD_final.pdparams)下载到本地，并在上述脚本文件中添加--resume为所保存的模型参数存放路径。 使用4卡Nvidia Tesla P40，总的batch size数是160。 ### 训练策略 * 使用Adam优化器，初始learning\_rate=0.0002 * 每2,000,000个样本做一次学习率衰减，learning\_rate\_decay = 0.8 * 正则化使用l2\_weight\_decay = 1e-5 ## 模型评估 可通过如下两种方式进行模型评估: python eval.py --model_name=NEXTVLAD \ --config=./configs/nextvlad.yaml \ --log_interval=1 \ --weights=$PATH_TO_WEIGHTS \ --use_gpu=True bash run.sh eval NEXTVLAD ./configs/nextvlad.yaml - 使用`run.sh`进行评估时，需要修改脚本中的`weights`参数指定需要评估的权重。 - 若未指定`--weights`参数，脚本会下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/NEXTVLAD_final.pdparams)进行评估 - 评估结果以log的形式直接打印输出GAP、Hit@1等精度指标 - 使用CPU进行评估时，请将`use_gpu`设置为False 由于youtube-8m提供的数据中test数据集是没有ground truth标签的，所以这里使用validation数据集来做测试。 模型参数列表如下： | 参数 | 取值 | | :---------: | :----: | | cluster\_size | 128 | | hidden\_size | 2048 | | groups | 8 | | expansion | 2 | | drop\_rate | 0.5 | | gating\_reduction | 8 | 计算指标列表如下： | 精度指标 | 模型精度 | | :---------: | :----: | | Hit@1 | 0.8960 | | PERR | 0.8132 | | GAP | 0.8709 | ## 模型推断 可通过如下两种方式启动模型推断： python predict.py --model_name=NEXTVLAD \ --config=configs/nextvlad.yaml \ --log_interval=1 \ --weights=$PATH_TO_WEIGHTS \ --filelist=$FILELIST \ --use_gpu=True bash run.sh predict NEXTVLAD ./configs/nextvlad.yaml - 使用python命令行启动程序时，`--filelist`参数指定待推断的文件列表，如果不设置，默认为data/dataset/youtube8m/infer.list。`--weights`参数为训练好的权重参数，如果不设置，程序会自动下载已训练好的权重。这两个参数如果不设置，请不要写在命令行，将会自动使用默 认值。 - 使用`run.sh`进行评估时，请修改脚本中的`weights`参数指定需要用到的权重。 - 若未指定`--weights`参数，脚本会下载已发布模型[model](https://paddlemodels.bj.bcebos.com/video_classification/NEXTVLAD_final.pdparams)进行推断 - 模型推断结果以log的形式直接打印输出，可以看到每个测试样本的分类预测概率。 - 使用CPU进行预测时，请将`use_gpu`设置为False ## 参考论文 - [NeXtVLAD: An Efficient Neural Network to Aggregate Frame-level Features for Large-scale Video Classification](https://arxiv.org/abs/1811.05014), Rongcheng Lin, Jing Xiao, Jianping Fan