YOLOv3_ResNet18（物体检测/TensorFlow训练）

适用的案例

• 目标检测—RetinaNet理论与实践
• 目标检测-Yolov5的理论与实践
• 物体检测Yolov3_ResNet18训练与Ascend310推理

适用的数据集

• helmet_manifest(物体检测)

• 人车检测

• 行人检测

• 口罩检测

• 钢筋检测

概述

针对提供带有物体框标注的数据集，该算法会载入在ImageNet-1k上的ResNet18预训练模型，训练后生成的模型可直接在ModelArts平台部署成在线服务，同时支持使用CPU和GPU规格进行推理。用户还可以将模型转换成Ascend类型，并在Hilens芯片上部署推理。

训练

• 算法基本信息

  • 任务类型：物体检测

  • 支持的框架引擎：Tensorflow-1.13.1-python3.6

  • 算法输入：

    • ModelArts数据管理平台发布的物体检测数据集，在这里用户可选择性使用数据切分功能(若不选择切分算法将做纯训练场景；若选择了数据切分，算法将会自动地去做边训练边验证的场景，建议用户以8:2或9:1的比例进行切分)；
    • ResNet18的ImageNet-1k预训练模型；

  • 算法输出(保证训练输出目录是一个空的OBS目录)：

    • 用于转换Ascend格式模型的Frozen_PB模型，Ascend-310推理速度：10ms/pic。
    • 用于TF-Serving推理的saved_model模型，CPU(2核8GiB)推理速度：500ms/pic，P4推理速度：15ms/pic。

• 训练参数说明

• 训练输出文件

  训练完成后的输出文件如下。

  训练输出目录  
    |- om    
      |- model      
        |- index      
        |- customize_service_d310.py  
    |- model    
      |- variables      
        |- variables.data-00000-of-00001      
        |- variables.index    
      |- saved_model.pb
  	|- config.json
  	|- customize_service.py
  	|- index
    |- frozen_graph    
      |- insert_op_conf.cfg    
      |- yolo3_resnet18.pb  
    |- checkpoint  
    |- model.ckpt-xxx  
    |- ...  
    |- events...  
    |- graph.pbtxt
  

Ascend310推理

• 模型转换
  在模型管理侧选择压缩/转换，并创建任务，具体配置如下：

  • 输入框架：TensorFlow

  • 转换输入目录：选择训练输出目录中的frozen_graph

  • 输出框架：MindSpore

  • 转换输出目录：选择训练输出目录中的om/model

  • 转换模板：TF-FrozenGraph-To-Ascend-C32

  • 输入张量形状：images:1,352,640,3

  • 转换输出节点不用填写

  • 输入数据格式：NHWC

    剩余的参数均使用默认值

• 模型导入
  模型转换成功后，在模型页面栏导入模型，具体配置如下：

  • 从模板中选择：ARM-Ascend模板
  • 模型目录：选择训练输出目录中的om/model
  • 输入输出模式：预置图像处理模式

GPU/CPU推理

基于训练完成的任务直接创建模型，其中在使用GPU推理时，导入模型前需要修改训练输出目录下的model/config.json文件，将runtime字段中tf1.13-python3.7-cpu改为tf1.13-python3.7-gpu。

案例指导

GPU训练+Ascend 310推理，可参考图像分类案例。

GPU训练+CPU/GPU推理，可参考图像分类案例指导。

GPU训练+边缘Hilens部署，可参考ModelArts + HiLens 端云协同，开发口罩识别AI应用