10.1.4.18. Bev多任务模型训练¶
BEV参考算法基于Horizon Torch Samples（地平线自研深度学习框架）开发，关于Horizon Torch Samples的使用介绍可以参考Horizon Torch Samples使用文档。BEV参考算法的训练config位于HAT/configs/bev/路径下。 下文以HAT/configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py为例介绍如何配置并训练BEV参考算法。
10.1.4.18.1. 数据集准备¶
这里以nuscense数据集为例，可以从https://www.nuscenes.org/nuscenes下载数据集。 同时，为了提升训练的速度，我们对原始的jpg格式的数据集做了一个打包，将其转换成lmdb格式的数据集。 只需要运行下面的脚本，就可以成功实现转换：
python3 tools/datasets/nuscenes_packer.py --src-data-dir WORKSAPCE/datasets/nuscenes/ --pack-type lmdb --target-data-dir . --version v1.0-trainval --split-name val
python3 tools/datasets/nuscenes_packer.py --src-data-dir WORKSAPCE/datasets/nuscenes/ --pack-type lmdb --target-data-dir . --version v1.0-trainval --split-name train
上面这两条命令分别对应着转换训练数据集和验证数据集，打包完成之后，data目录下的文件结构应该如下所示：
tmp_data
|-- nuscenes
|-- metas
|-- v1.0-trainval
|-- train_lmdb
|-- val_lmdb
train_lmdb和val_lmdb就是打包之后的训练数据集和验证数据集，也是网络最终读取的数据集。metas中为分割模型需要的地图信息。
10.1.4.18.2. 浮点模型训练¶
数据集准备好之后，就可以开始训练浮点型的bev多任务网络了。
如果你只是单纯的想启动这样的训练任务，只需要运行下面的命令就可以：
python3 tools/train.py --stage float --config configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py
由于Horizon Torch Samples算法包使用了一种巧妙的注册机制，使得每一个训练任务都可以按照这种train.py加上config配置文件的形式启动。 train.py是统一的训练脚本，与任务无关，我们需要训练什么样的任务、使用什么样的数据集以及训练相关的超参数设置都在指定的config配置文件里面。 config文件里面提供了模型构建、数据读取等关键的dict。
10.1.4.18.2.1. 模型构建¶
model = dict(
type="BevStructure",
bev_feat_index=-1,
backbone=dict(
type="efficientnet",
bn_kwargs=bn_kwargs,
model_type="b0",
num_classes=1000,
include_top=False,
activation="relu",
use_se_block=False,
),
neck=dict(
type="FastSCNNNeck",
in_channels=[40, 320],
feat_channels=[64, 64],
indexes=[-3, -1],
bn_kwargs=bn_kwargs,
),
view_transformer=dict(
type="WrappingTransformer",
bev_upscale=2,
bev_size=bev_size,
num_views=6,
drop_prob=0.1,
grid_quant_scale=grid_quant_scale,
),
bev_transforms=[
dict(
type="BevRotate",
bev_size=bev_size,
rot=(-0.3925, 0.3925),
),
dict(type="BevFlip", prob_x=0.5, prob_y=0.5, bev_size=bev_size),
],
bev_encoder=dict(
type="BevEncoder",
backbone=dict(
type="efficientnet",
bn_kwargs=bn_kwargs,
model_type="b0",
num_classes=1000,
include_top=False,
activation="relu",
use_se_block=False,
in_channels=64,
),
neck=dict(
type="BiFPN",
in_strides=[2, 4, 8, 16, 32],
out_strides=[2, 4, 8, 16, 32],
stride2channels=dict({2: 16, 4: 24, 8: 40, 16: 112, 32: 320}),
out_channels=48,
num_outs=5,
stack=3,
start_level=0,
end_level=-1,
fpn_name="bifpn_sum",
),
),
bev_decoders=[
dict(
type="BevSegDecoder",
name="bev_seg",
use_bce=use_bce,
task_weight=10.0,
bev_size=bev_size,
task_size=task_map_size,
head=dict(
type="DepthwiseSeparableFCNHead",
input_index=0,
in_channels=48,
feat_channels=48,
num_classes=seg_classes,
dropout_ratio=0.1,
num_convs=2,
bn_kwargs=bn_kwargs,
),
target=dict(
type="FCNTarget",
),
loss=dict(
type="CrossEntropyLossV2",
loss_name="decode",
reduction="mean",
ignore_index=-1,
use_sigmoid=use_bce,
class_weight=2.0 if use_bce else [1.0, 5.0, 5.0, 5.0],
),
decoder=dict(
type="FCNDecoder",
upsample_output_scale=1,
use_bce=use_bce,
bg_cls=-1,
),
),
dict(
type="BevDetDecoder",
name="bev_det",
task_weight=1.0,
head=dict(
type="CenterPoint3dHead",
in_channels=48,
tasks=tasks,
share_conv_channels=48,
share_conv_num=1,
common_heads=dict(
reg=(2, 2),
height=(1, 2),
dim=(3, 2),
rot=(2, 2),
vel=(2, 2),
),
head_conv_channels=48,
num_heatmap_convs=2,
final_kernel=3,
),
target=dict(
type="CenterPoint3dTarget",
class_names=NuscenesDataset.CLASSES,
tasks=tasks,
gaussian_overlap=0.1,
min_radius=2,
out_size_factor=1,
norm_bbox=True,
max_num=500,
bbox_weight=[1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.2, 0.2],
),
loss_cls=dict(type="GaussianFocalLoss", loss_weight=1.0),
loss_reg=dict(
type="L1Loss",
loss_weight=0.25,
),
decoder=dict(
type="CenterPoint3dDecoder",
class_names=NuscenesDataset.CLASSES,
tasks=tasks,
bev_size=bev_size,
out_size_factor=1,
use_max_pool=True,
max_pool_kernel=3,
score_threshold=0.1,
nms_type=[
"rotate",
"rotate",
"rotate",
"circle",
"rotate",
"rotate",
],
min_radius=[4, 12, 10, 1, 0.85, 0.175],
nms_threshold=[0.2, 0.2, 0.2, 0.2, 0.2, 0.5],
decode_to_ego=True,
),
),
]
)
其中， model 下面的 type 表示定义的模型名称，剩余的变量表示模型的其他组成部分。这样定义模型的好处在于我们可以很方便的替换我们想要的结构。例如，如果我们想训练一个backbone为resnet50的模型，只需要将 model 下面的 backbone 替换掉就可以。
10.1.4.18.2.2. 数据增强¶
跟 model 的定义一样，数据增强的流程是通过在config配置文件中定义 data_loader 和 val_data_loader 这两个dict来实现的，
分别对应着训练集和验证集的处理流程。以 data_loader 为例：
data_loader = dict(
type=torch.utils.data.DataLoader,
dataset=dict(
type="NuscenesDataset",
data_path=os.path.join(data_rootdir, "train_lmdb"),
transforms=[
dict(type="BevImgResize", scales=(0.6, 0.8)),
dict(type="BevImgCrop", size=(512, 960), random=True),
dict(type="BevImgFlip", prob=0.5),
dict(type="BevImgRotate", rot=(-5.4, 5.4)),
dict(
type="BevImgTransformWrapper",
transforms=[
dict(type="PILToTensor"),
dict(type="BgrToYuv444", rgb_input=True),
dict(type="Normalize", mean=128.0, std=128.0),
],
),
],
bev_size=bev_size,
map_size=map_size,
map_path=meta_rootdir,
),
sampler=dict(type=torch.utils.data.DistributedSampler),
batch_size=batch_size_per_gpu,
shuffle=True,
num_workers=dataloader_workers,
pin_memory=True,
collate_fn=hat.data.collates.collate_nuscenes,
)
val_data_loader = dict(
type=torch.utils.data.DataLoader,
dataset=dict(
type="NuscenesDataset",
data_path=os.path.join(data_rootdir, "val_lmdb"),
transforms=[
dict(type="BevImgResize", size=(540, 960)),
dict(type="BevImgCrop", size=(512, 960)),
dict(
type="BevImgTransformWrapper",
transforms=[
dict(type="PILToTensor"),
dict(type="BgrToYuv444", rgb_input=True),
dict(type="Normalize", mean=128.0, std=128.0),
],
),
],
bev_size=bev_size,
map_size=map_size,
map_path=meta_rootdir,
),
sampler=dict(type=torch.utils.data.DistributedSampler),
batch_size=batch_size_per_gpu,
shuffle=False,
num_workers=dataloader_workers,
pin_memory=True,
collate_fn=hat.data.collates.collate_nuscenes,
)
其中type直接用的pytorch自带的接口torch.utils.data.DataLoader，表示的是将 batch_size 大小的图片组合到一起。
这里面唯一需要关注的可能是 dataset 这个变量， CocoFromLMDB 表示从lmdb数据集中读取图片，路径也就是我们在第一部分数据集准备中提到的路径。
transforms 下面包含着一系列的数据增强。 val_data_loader 中除了图片翻转(RandomFlip), 其他的数据变换和 data_loader 一致。
你也可以通过在 transforms 中插入新的dict实现自己希望的数据增强操作。
10.1.4.18.2.3. 训练策略¶
为了训练一个精度高的模型，好的训练策略是必不可少的。对于每一个训练任务而言，相应的训练策略同样都定义在其中的config文件中，
从 float_trainer 这个变量就可以看出来。
float_trainer = dict(
type="distributed_data_parallel_trainer",
model=model,
model_convert_pipeline=dict(
type="ModelConvertPipeline",
converters=[
dict(
type="LoadCheckpoint",
checkpoint_path=(
"./tmp_pretrained_models/efficientnet_imagenet/float-checkpoint-best.pth.tar" # noqa: E501
),
allow_miss=True,
ignore_extra=True,
),
],
),
data_loader=data_loader,
optimizer=dict(
type=torch.optim.AdamW,
params={"weight": dict(weight_decay=weight_decay)},
lr=start_lr,
),
batch_processor=batch_processor,
device=None,
num_epochs=train_epochs,
callbacks=[
stat_callback,
loss_show_update,
dict(
type="CyclicLrUpdater",
target_ratio=(10, 1e-4),
cyclic_times=1,
step_ratio_up=0.4,
step_log_interval=500,
),
val_callback,
ckpt_callback,
],
sync_bn=True,
train_metrics=dict(
type="LossShow",
),
)
float_trainer 从大局上定义了我们的训练方式，包括使用多卡分布式训练（distributed_data_parallel_trainer），模型训练的epoch次数，以及优化器的选择。
同时 callbacks 中体现了模型在训练过程中使用到的小策略以及用户想实现的操作，包括学习率的变换方式(WarmupStepLrUpdater)，
在训练过程中验证模型的指标(Validation)，以及保存(Checkpoint)模型的操作。当然，如果你有自己希望模型在训练过程中实现的操作，也可以按照这种dict的方式添加。
注解
如果需要复现精度，config中的训练策略最好不要修改。否则可能会有意外的训练情况出现。
通过上面的介绍，你应该对config文件的功能有了一个比较清楚的认识。然后通过前面提到的训练脚本，就可以训练一个高精度的纯浮点的检测模型。 当然训练一个好的检测模型不是我们最终的目的，它只是做为一个pretrain为我们后面训练定点模型服务的。
10.1.4.18.3. 量化模型训练¶
当我们有了纯浮点模型之后，就可以开始训练相应的定点模型了。和浮点训练的方式一样，我们只需要通过运行下面的脚本就可以得到伪量化模型了，该模型仅使用calibration即可达到目标：
python3 tools/train.py --stage calibration --config configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py
可以看到，我们的配置文件没有改变，只改变了 stage 的类型。此时我们使用的训练策略来自于config文件中的calibration_trainer
calibration_trainer = dict(
type="Calibrator",
model=model,
model_convert_pipeline=dict(
type="ModelConvertPipeline",
qat_mode="fuse_bn",
converters=[
dict(
type="LoadCheckpoint",
checkpoint_path=os.path.join(
ckpt_dir, "float-checkpoint-best.pth.tar"
),
allow_miss=True,
verbose=True,
),
dict(type="Float2Calibration", convert_mode=convert_mode),
],
),
data_loader=calibration_data_loader,
batch_processor=calibration_batch_processor,
num_steps=calibration_step,
device=None,
callbacks=[
val_callback,
ckpt_callback,
],
log_interval=calibration_step / 10,
)
10.1.4.18.3.1. quantize参数的值不同¶
当我们训练量化模型的时候，需要设置quantize=True，此时相应的浮点模型会被转换成量化模型，相关代码如下：
model.fuse_model()
model.set_qconfig()
horizon.quantization.prepare_qat(model, inplace=True)
关于量化训练中的关键步骤，比如准备浮点模型、算子替换、插入量化和反量化节点、设置量化参数以及算子的融合等，请阅读 量化感知训练 章节的内容。
10.1.4.18.3.2. 训练策略不同¶
正如我们之前所说，量化训练其实是在纯浮点训练基础上的finetue。因此量化训练的时候，我们的初始学习率设置为浮点训练的十分之一，
训练的epoch次数也大大减少，最重要的是 model 定义的时候，我们的 pretrained 需要设置成已经训练出来的纯浮点模型的地址。
做完这些简单的调整之后，就可以开始训练我们的量化模型了。
10.1.4.18.3.3. 模型验证¶
模型训练完成之后，我们还可以验证训练出来的模型性能。由于我们提供了float和calibration两阶段的训练过程，相应的我们可以验证这两个阶段训练出来的模型性能， 只需要相应的运行以下两条命令即可：
python3 tools/predict.py -c configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py --stage float
python3 tools/predict.py -c configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py --stage calibration
同时，我们还提供了quantization模型的性能测试，只需要运行以下命令：
python3 tools/predict.py -c configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py --stage int_infer
这个显示出来的精度才是最终的int8模型的真正精度，当然这个精度和qat验证阶段的精度应该是保持十分接近的。（模型精度可能会因为环境依赖的不同会有些浮动）
除了上述模型验证之外，我们还提供和上板完全一致的精度验证方法，可以通过下面的方式完成：
python3 tools/bev_align_bpu_validation.py --config configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py
10.1.4.18.3.4. 结果可视化¶
如果你希望可以看到训练出来的模型对于单帧的检测效果，我们的tools文件夹下面同样提供了单帧预测及可视化的脚本， 你只需要按照infer.py中的格式给出每张图片的大小以及单应矩阵， 然后运行以下脚本即可：
python3 tools/infer.py --config configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py --model-inputs imagedir:${imagedir},homo:${homography.npy} --save-path ${save_path}
10.1.4.18.3.5. 模型检查和编译¶
在训练完成之后，可以使用 compile 的工具用来将量化模型编译成可以上板运行的 hbm 文件，同时该工具也能预估在BPU上的运行性能，可以采用以下脚本：
python3 tools/compile_perf.py --config configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py --out-dir ./ --opt 2
10.1.4.18.3.6. ONNX模型导出¶
如果想要导出onnx模型, 运行下面的命令即可:
python3 tools/export_onnx.py --config configs/bev/bev_ipm_efficientnetb0_multitask_nuscenes.py