[从零开始]使用ImageNet数据集实验

2024-09-05 01:38

本文主要是介绍[从零开始]使用ImageNet数据集实验,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

记录一下最近开始的ImageNet学习,论文中虽然提到了很多,也开源了训练代码,但是多数情况用自己的代码在相同的Condition就是难以复现,记录一点点目前的。

ImageNet,yyds

数据

数据下载源于官网 http://image-net.org/download,需要注册edu邮箱,一些参考:
下载imagenet2012数据集,以及label说明

下载下来的标签有不对应的情况,参考网上说的重新下一份caffe版本的,地址如下

caffe_ilsvrc12.tar.gz http://dl.caffe.berkeleyvision.org/

数据解压,python版本和shell版本

import osn = 0
unzip = os.listdir('./images')
print(len(unzip))
for i in os.listdir('./tars'):if('.tar' in i):if(i[:-4] in unzip):continuepath = os.path.join(os.getcwd(), 'images', i[:-4])tar = os.path.join(os.getcwd(), 'tars', i)os.system('mkdir {}'.format(path))os.system('tar -xvf {} -C {}'.format(tar, path))print(path)n += 1
print(n)
base=/path/to/data
for i in `ls *.tar`
dopath=$base${i%.tar}mkdir $pathtar -xvf $i -C $pathecho $path
done

训练

ImageNet的准确率在不同的训练策略下结果差异还是挺大的,参考了几篇论文的训练策略尝试复现结果。
部分训练代码已开源@git。

以下准确率是基于验证集(Validation Set)的结果

1. 训练环境

  • GPU: 32GB Tesla V100 * 4
  • Lib: pytorch 1.6

2. Table

一些固定setting,没有特殊说明则follow以下:

数据预处理,采用的albumentation

import albumentations as A
from albumentations.pytorch import ToTensorV2
# train
A.Compose([A.RandomResizedCrop(height=224, width=224),A.HorizontalFlip(p=0.5),A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),ToTensorV2()])
# val
A.Compose([A.Resize(height=256, width=256),A.CenterCrop(height=224, width=224),A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),ToTensorV2()])

采用的主干模型为Resnet50,由于采用了batch_size=256,没有使用sync_bn,pytorch1.6提供了混合精度训练(AMP),几行代码就能转换,极大节省了显存和训练时间。

# 一些固定setting
batch_size: 256
init_lr: 0.1
schedule: cos
warm_up: 10
total_epoch: 120
optimizer: SGD
weight_decay: 5e-4
momentum: 0.9
model: resnet50
sync_bn: False
amp: True
2.1 混合精度训练(AMP)

首先比较了混合精度训练,发现差异不大所以后面就用AMP来节约时间,用了sync_bn

假装有个Table结果被删掉了,找不到了,但是精度差不多

2.2 Sync_BN

比较了一下sync_bn的影响,顺便跑了LabelSmoothing

LossSchedulesync_bnbest_accbest_epochtotal_epochtime_per_epoch
CEcos, warm 10w76.04120120~720s
CEcos, warm 10wo76.22120120~540s
LS(0.1)cos, warm 10wo76.35120120/
LS(0.2)cos, warm 10wo76.45120120/
2.3 数据增强

因为有一篇论文提到了ColorJitter(CJ),故比较了一下使用增强的效果。

# 在train中加入
A.ColorJitter(brightness=0.4, contrast=0.4, saturation=0.4, hue=0, always_apply=False, p=0.5)

提升没有很明显。(那篇论文里的Baseline有77.5)

LossScheduleCJbest_accbest_epochtotal_epochtime_per_epoch
CEcos, warm 10w76.14120120~550s
2.4 更长时间的训练

大多数的训练策略都是以100~120epoch来训练ImageNet,但是从前面的结果来看全都是在最后一轮取得的最佳准确率,这与cos学习率衰减也有一定关系,学习率总是在最后几轮降低很快,准确率也主要在最后几轮提升。那么采用更多轮次的训练是否会有所提升。以下比较了300epoch和250epoch不同的训练策略。

LossSchedulebest_accbest_epochtotal_epoch
CEcos, warm 576.79299300
CEstep [75, 150, 225]76.01248250
2.5 Debug
  • batch_size和weight_decay调整
    前面说batch_size 256实际上是单卡256,而用了4张卡,因此实际上的batch_size计算应该为4 * 256,因此重新用了单卡batch_size 256来训练,时间从2天变成了5天,跑了250epoch,另外weight_decay 从5e-4变成了1e-4,结果上来看相比前面的有一点提升,但是具体是因为batch_size的变化还是weight_decay也不好说明,从跑的另一个实验来说提升是很明显的。单卡训练也避免了sync_bn的问题。结果基本与目前的论文结果能对应上。
LossSchedulebest_accbest_epochtotal_epoch
CEstep [75, 150, 225]76.32161250

Conclusion

以上尝试了几种ImageNet的训练策略,参考了一些论文的Setting,Baseline结果与大多数的论文的Baseline差不多(76.3)。但是从2.4可以看出不同的策略下结果差异很大,由于硬件条件有限,没有尝试的bags of tricks。训练次数小的时候(epoch in [90, 120]),似乎采用step衰减更有效。更长的时间cos衰减可能收敛效果更好。没有得到理想的结果,慢慢踩坑。

实验并不充分,还有一些问题需要解决,等有新的再补充。

Continue…

Code:https://github.com/Kurumi233/OnlineLabelSmoothing

这篇关于[从零开始]使用ImageNet数据集实验的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1137612

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传