Skip to content

GitLab

"vscode:/vscode.git/clone" did not exist on "90faf9018eb2088d4beeb3d6821799125a07e14a"
Commit 5da227a2 authored by dcuai's avatar dcuai
Browse files

Merge branch 'master' into 'master' 

update to dtk24.04.1

See merge request !2
parents 9fd41437 8988ebca
Show whitespace changes
Inline Side-by-side
Showing with 137 additions and 51 deletions
.gitmodules
View file @ 5da227a2
[submodule "mmclassification-mmcv"]
path = mmclassification-mmcv
url = http://developer.hpccube.com/codes/aicomponent/mmclassification-mmcv
[submodule "mmpretrain-mmcv"]
path = mmpretrain-mmcv
url = https://developer.hpccube.com/codes/OpenDAS/mmpretrain-mmcv/
README.md
View file @ 5da227a2
......@@ -22,23 +22,37 @@ EfficientNet B2模型的网络结构可以分为三个部分：特征提取器
### Docker（方法一）
推荐使用docker方式运行，拉取提供的docker镜像
```shell
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-ubuntu20.04-dtk24.04.1-py3.10
```
基于拉取的镜像创建容器
```shell
# <your IMAGE ID or NAME>用以上拉取的docker的镜像ID或名称替换
docker run -it --name=efficientnet_b2_mmcv --network=host --ipc=host --shm-size=16g --device=/dev/kfd --device=/dev/dri --device=/dev/mkfd --group-add video --privileged --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro <your IMAGE ID> bash
```
克隆并安装git仓库，安装相关依赖
```python
git clone --recursive http://developer.hpccube.com/codes/modelzoo/efficientnet_b2_mmcv.git
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
# <your IMAGE ID>用以上拉取的docker的镜像ID替换
docker run --shm-size 10g --network=host --name=efficientnet_b2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/efficientnet_b2_mmcv:/home/efficientnet_b2_mmcv -it <your IMAGE ID> bash
cd efficientnet_b2_mmcv/mmclassification-mmcv
cd efficientnet_b2_mmcv/mmpretrain-mmcv
pip install -e .
pip install -r requirements.txt
```
### Dockerfile（方法二）
```plaintext
```bash
cd efficientnet_b2_mmcv/docker
docker build --no-cache -t efficientnet_b2_mmcv:latest .
docker run --rm --shm-size 10g --network=host --name=efficientnet_b2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/../../efficientnet_b2_mmcv:/home/efficientnet_b2_mmcv -it <your IMAGE ID> bash
# 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：pip install -r requirements.txt
docker run -it --name=efficientnet_b2_mmcv --network=host --ipc=host --shm-size=16g --device=/dev/kfd --device=/dev/dri --device=/dev/mkfd --group-add video --privileged --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro <your IMAGE ID> bash
pip install -e .
# 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：
# pip install -r requirements.txt
```
### Anaconda（方法三）
......@@ -46,11 +60,11 @@ docker run --rm --shm-size 10g --network=host --name=efficientnet_b2 --privilege
1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装： https://developer.hpccube.com/tool/
```plaintext
DTK驱动：dtk22.10.1
python：python3.7
torch:1.10.0
torchvision:0.10.0
mmcv：1.6.1
DTK驱动: DTK-24.04.1
python==3.10
torch==2.1.0
torchvision==0.16.0+das1.1.git7d45932.abi1.dtk2404.torch2.1
mmcv==2.0.1+das1.1.gite58da25.abi1.dtk2404.torch2.1.0
Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应
```
......@@ -62,48 +76,117 @@ pip install -r requirements.txt
## 数据集
在本测试中可以使用ImageNet数据集。
### ImageNet
在本项目中可以使用ImageNet数据集。ImageNet数据集官方下载地址：https://image-net.org。
下载ImageNet数据集：https://image-net.org/
也可于SCNet快速下载[imagenet-2012](http://113.200.138.88:18080/aidatasets/project-dependency/imagenet-2012)，下载其中的ILSVRC2012_img_train.tar和ILSVRC2012_img_val.tar，并按照以下方式解包
```bash
cd mmpretrain-mmcv/data/imagenet
mkdir train && cd train
tar -xvf ILSVRC2012_img_train.tar
```
下载val数据：链接：https://pan.baidu.com/s/1oXsmsYahGVG3uOZ8e535LA?pwd=c3bc 提取码：c3bc 替换ImageNet数据集中的val目录。
解包后是1000个tar文件，每个tar对应了一个类别，分别解包至对应文件夹，可利用如下shell脚本。
或者从[SCNet](http://113.200.138.88:18080/aidatasets/project-dependency/imagenet-2012)下载。
- ImageNet数据集中的val部分[val](http://113.200.138.88:18080/aidatasets/project-dependency/shufflenet_v2_mmcv)
```bash
for tarfile in *.tar; do
dirname="${tarfile%.tar}"
mkdir "$dirname"
tar -xvf "$tarfile" -C "$dirname"
done
```
处理后的数据结构如下：
目录结构如下
```
data
├──imagenet
├── meta
├──val.txt
├──train.txt
...
└── imagenet
├── train
├── val
│   ├── n01440764
│   │   ├── n01440764_10026.JPEG
│   │   ├── n01440764_10027.JPEG
├──val
│   ├── n01440764
│   │   ├── ILSVRC2012_val_00000293.JPEG
```
### Tiny-ImageNet-200
由于ImageNet完整数据集较大，可以使用[tiny-imagenet-200](http://cs231n.stanford.edu/tiny-imagenet-200.zip)进行测试，可于SCNet快速下载[tiny-imagenet-200-scnet](http://113.200.138.88:18080/aidatasets/project-dependency/tiny-imagenet-200) ，此时需要对配置脚本进行一些修改：
- dataset配置文件(configs/\_\_base\_\_/datasets/{DATASET_CONFIG}.py)中，需要对以下字段进行修改
```python
# dataset settings
dataset_type = 'CustomDataset' # 修改为CustomDataset
data_preprocessor = dict(
num_classes=200, # 修改类别为200
...
)
...
train_dataloader = dict(
batch_size=32,
num_workers=5,
dataset=dict(
type=dataset_type,
data_root='data/imagenet',
data_prefix='train', # 改为data_prefix='train'，val_dataloader中同理
pipeline=train_pipeline),
sampler=dict(type='DefaultSampler', shuffle=True),
)
```
- model配置文件(configs/\_\_base\_\_/models/{MODEL_CONFIG}.py)中，同样需要将类别相关的值设置为200。
```python
# model settings
model = dict(
type='ImageClassifier',
...
head=dict(
type='LinearClsHead',
num_classes=200, # 将类别数改为200
...
))
```
本仓库的mmpretrain-mmcv中提供了使用tiny-imagenet-200进行训练的若干配置脚本，可参考进行设置。
## 训练
将训练数据解压到data目录下。
将训练数据集解压后放置于mmpretrain-mmcv/data/，对于tiny-imagenet，目录结构如下：
### 单机8卡
```
data
└── imagenet
├── test/
├── train/
├── val/
├── wnids.txt
└── words.txt
```
### 单机8卡训练
./efficientnet.sh
- tiny-imagenet-200
## result
```shell
bash tools/dist_train.sh efficientnet-b2-test.py 8
```
- imagenet
```shell
bash tools/dist_train.sh configs/efficientnet/efficientnet-b2_8xb32_in1k.py 8
```
![img](https://developer.hpccube.com/codes/modelzoo/vit_pytorch/-/raw/master/image/README/1695381570003.png)
如需其他卡数训练，将命令中的8改为所需卡数即可；
### 精度
如遇端口占用问题，可在tools/dist_train.sh修改端口。
测试数据使用的是ImageNet数据集，使用的加速卡是DCU Z100L。
| 卡数 | 精度 |
| :--: | :-----------------------: |
| 8 | top1:0.73228;top5:0.91522 |
## 应用场景
......@@ -113,7 +196,7 @@ data
### 热点行业
制造,能源,交通,网安
制造,能源,交通,网安,安防
## 源码仓库及问题反馈
......
docker/Dockerfile
View file @ 5da227a2
FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py37-latest
FROM image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-ubuntu20.04-dtk24.04.1-py3.10
ENV DEBIAN_FRONTEND=noninteractive
# 安装pip相关依赖
COPY requirements.txt requirements.txt
......
docker/requirements.txt
View file @ 5da227a2
albumentations>=0.3.2 --no-binary qudida,albumentations
colorama
requests
einops
importlib-metadata
mat4py
matplotlib
modelindex
numpy<2
rich
scipy
matplotlib>=3.1.0
numpy
packaging
codecov
flake8
coverage
interrogate
isort==4.3.21
pytest
xdoctest >= 0.10.0
yapf
albumentations>=0.3.2 --no-binary qudida,albumentations # For Albumentations data transform
grad-cam >= 1.3.7,<1.5.0 # For CAM visualization
requests # For torchserve
scikit-learn # For t-SNE visualization and unit tests.
\ No newline at end of file
mmpretrain-mmcv @ 12c02d09
Subproject commit 12c02d0917bcbfbac86f52b93f02ce87edb7835b
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment