Skip to content

Latest commit

 

History

History

rexnet_2_0_imagenet

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
README.md
README.md
 
 
label_list.txt
label_list.txt
 
 
module.py
module.py
 
 

README.md

rexnet_2_0_imagenet

模型名称 rexnet_2_0_imagenet
类别 图像-图像分类
网络 ReXNet
数据集 ImageNet-2012
是否支持Fine-tuning 是
模型大小 95MB
指标 -
最新更新日期 2021-09-14

一、模型基本信息

  • 模型介绍

    • ReXNet 由 NAVER AI Lab 提出的基于新的网络设计原则而设计的网络。作者针对现有网络中具有代表性的瓶颈问题，提出了一套设计原则，他们认为，常规设计会产生代表性瓶颈，这会影响模型性能。为了研究表征瓶颈，作者研究了由一万个随机网络生成的特征的矩阵秩。此外，还研究了整个层的通道配置以设计更准确的网络架构。最后，作者提出了一套简单有效的设计原则来缓解表征瓶颈。

二、安装

三、模型API预测

  • 1.命令行预测

    $ hub run rexnet_2_0_imagenet --input_path "/PATH/TO/IMAGE" --top_k 5

  • 2.预测代码示例

    import paddle
import paddlehub as hub
if __name__ == '__main__':
    model = hub.Module(name='rexnet_2_0_imagenet')
    result = model.predict(['flower.jpg'])

  • 3.如何开始Fine-tune

    • 在完成安装PaddlePaddle与PaddleHub后，通过执行python train.py即可开始使用rexnet_2_0_imagenet对Flowers等数据集进行Fine-tune。

    • 代码步骤

      • 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: 数据预处理方式。

          • mode: 选择数据模式，可选项有 train, test, val， 默认为train。

          • 数据集的准备代码可以参考 flowers.py。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

        • model = hub.Module(name="rexnet_2_0_imagenet", label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"])
          • name: 选择预训练模型的名字。
          • label_list: 设置输出分类类别，默认为Imagenet2012类别。

      • Step4: 选择优化策略和运行配置

        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)

        • 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='rexnet_2_0_imagenet', label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"], load_checkpoint='/PATH/TO/CHECKPOINT')
    result = model.predict(['flower.jpg'])

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

四、服务部署

  • PaddleHub Serving可以部署一个在线分类任务服务。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：

    • $ hub serving start -m rexnet_2_0_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。

  • 第二步：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/rexnet_2_0_imagenet"
r = requests.post(url=url, headers=headers, data=json.dumps(data))
data =r.json()["results"]['data']

五、更新历史

  • 1.0.0

    初始发布