update to dtk24.04.1

.gitmodules

 [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

@@ -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
 
-下载ImageNet数据集：https://image-net.org/
+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。
+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
 
-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
+cd mmpretrain-mmcv/data/imagenet
+mkdir train && cd train
+tar -xvf ILSVRC2012_img_train.tar
+```
 
-处理后的数据结构如下：
+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。
+
+```bash
+for tarfile in *.tar; do
+    dirname="${tarfile%.tar}"
+    mkdir "$dirname"
+    tar -xvf "$tarfile" -C "$dirname"
+done
+```
+
+目录结构如下
 
 ```
 data
-    ├──imagenet
-        ├── meta
-            ├──val.txt
-            ├──train.txt
-            ...
-        ├── train
-        ├── val
-  
+└── imagenet
+    ├── train
+    │   ├── 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：
+
+```
+data
+└── imagenet
+    ├── test/
+    ├── train/
+    ├── val/
+    ├── wnids.txt
+    └── words.txt
+```
 
-### 单机8卡
+### 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

-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

-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