EfficientNetB4（图像分类/PyTorch）

适用的案例

• 图像分类—ResNeSt理论与实践

适用的数据集

• flowers-5-manifest(图像分类)

• flowers-5-raw-split(图像分类)

• 10类常见美食

• 生活垃圾分类

• 花卉分类

• 猫狗分类

• 23类美食

• 4类美食

概述

该模型为EfficientNet系列的B4版本，共包含四个版本（B0, B4, B7以及B8），此模型基于EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 中提出的模型结构实现。可以用作图像分类任务，比如猫狗分类、花卉分类等等。用户提供一系列带有标注的数据集，该算法会载入在ImageNet-1000上的预训练模型，在用户数据集上做迁移学习。训练后生成的模型可直接在ModelArts平台部署为在线服务或批量服务，同时支持使用CPU、GPU进行推理。 同时，该模型也集成了自动数据增强策略RandAugment: Practical automated data augmentaton with a reduced search space, 用来增强训练数据集的丰富度。

EfficientNet-B0, EfficientNet-B4, EfficientNet-B7和EfficientNet-B8的区别，在于模型深度、通道数以及输入图像大小的不同。

训练

• 算法基本信息

  • 适用场景：图像分类

  • 支持的框架引擎：PyTorch-1.3.0-python3.6

  • 性能（增大一定大小的batch_size可提升fps）：

• 算法输入：

  ModelArts数据管理平台发布的图像分类数据集（数据集必须设置“训练验证比例”），建议用户以8:2或9:1的比例进行切分，即“训练验证比例”设置为0.8或0.9。

  在ImageNet上的预训练模型，top1 acc=83.0%。

• 算法输出：

  用于ModelArts在线推理的pickle模型，P4推理速度：30ms/pic。

  保存了模型参数的.pth.tar模型文件。

• 训练参数说明

  名称	默认值	类型	是否必填	是否可修改	描述
  model	efficientnet_b4	string	是	是	模型名称。
  batch-size	16	int	是	是	每步训练的图片数量（单卡）。
  lr	0.001	string	是	是	训练的学习率策略。
  drop	0.2	string	是	是	dropout比率。
  drop-connect	0.2	string	是	是	dropconnet比率。
  reprob	0.2	string	是	是	random erasing概率。
  remode	pixel	string	是	是	rand erasing类型。
  opt-eps	0.001	string	是	是	优化器eps参数
  cutmix-prob	0.2	string	是	是	cut-mixup概率。
  cutmix-alpha	0.2	string	是	是	cut-mixup参数。
  opt	rmsproptf	String	是	是	优化器类型。
  decay-epochs	3	string	是	是	多少epoch下降一次学习率。
  decay-rate	0.963	string	是	是	学习率衰减比率。
  model-ema	1	int	是	是	0/1参数控制是否执行EMA模型平均。
  model-ema-decay	0.9998	string	否	是	EMA衰减率。
  sched	step	string	是	是	学习率更新方式。
  aa	rand-m9-mstd0.5	string	是	是	自动数据增强策略，m控制操作幅值。
  color-jitter	0.06	string	是	是	Color-jitter值，数据增强下该值默认无效。
  warmup-epochs	5	int	是	是	warmup总epoch数。
  weight-decay	1.00E-05	string	是	是	权重衰减比率。
  workers	0	int	是	是	worker数。
  epochs	40	int	是	是	训练总epoch数。
  num_classes		int	是	是	类别数，默认为空。
  sync-bn	1	int	否	是	0/1参数控制是否执行同步BN。
  pretrained	1	int	否	是	0/1参数控制是否需要加载预训练模型。
  amp	0	int	否	是	0/1参数控制是否使用混合精度训练。

  训练完成后的输出文件如下：

       |- model
        |- customize_service.py
        |- index
        |- config.json
        |- result.pickle
      |- checkpoint-1.pth.tar
      |- checkpoint-2.pth.tar
      |- ...
      |- args.yaml
      |- summary.csv
  

GPU推理

“元模型来源”选择“从训练中选择”，选择训练作业及版本。部署在线服务时选择GPU规格即可。

案例指导

GPU训练+CPU/GPU推理，案例指导请参见使用AI市场的预置算法训练模型。