まず、NeurIPS2020チャレンジチャンピオンシップ(https://www.jiqizhixin.com/articles/2020-12-09-2)で優勝したBaiduチームBaiduにおめでとうございます。
このコンテストでは、フライングパドルディープラーニングフレームワークに基づいて開発された画像セグメンテーションスイートPaddleSegが使用されます。この記事から、「画像セグメンテーションスイートPaddleSeg総合分析」シリーズの記事を更新していきます。個人レベルが限られているため、エラーが発生した場合はご容赦ください。ありがとうございます。
PaddleSegは、Baiduが独自のPaddlePaddleに基づいて開発したエンドツーエンドの画像セグメンテーション開発キットです。さまざまな主流のセグメンテーションネットワークが含まれています。PaddleSegはモジュール方式で設計されており、構成ファイルを介してモデルを組み合わせることができるため、開発者は画像セグメンテーションの原理を深く理解していなくても、モデルのトレーニングと展開をすばやく簡単に完了することができます。ただし、モデルを変更して最適化する必要がある場合でも、画像セグメンテーションの原則とPaddleSegスイートをよりよく理解する必要があります。この記事の主な内容は、PaddleSegのコードを解釈して、開発者が原則をさらに理解できるようにすることです。画像セグメンテーションとPaddleSegの実装方法の概要。この記事では、PaddleSegの動的グラフの実装方法を紹介するだけです。
このコード解釈は、PaddleSeg動的グラフバージョンV2.0.0-rcに基づいています。PaddleSegスイートのソースコードはGitHubからダウンロードできます。コマンドは次のとおりです
。PaddleSegスイートのソースコードはGitHubからダウンロードできます。コマンドは次のとおりです。
!git clone https://github.com/PaddlePaddle/PaddleSeg.git
PaddleSegディレクトリには、次のディレクトリが含まれています。
- configs:さまざまなニューラルネットワークの構成ファイルを保存します。
- contrib:実際のケースに関連する構成とデータ
- レガシー:静的マップバージョンコードは、維持するだけで、新機能は更新しません
- ドキュメント:ドキュメント
- paddleseg:トレーニング、評価、推論、その他のファイルを含むPaddleSegコアコード。
- ツール:ツールスクリプト
- train.py:トレーニングエントリファイル
- val.py:評価モデルファイル
- Forecast.py:予測ファイル
この記事は、大きく次の7つの部分に分かれてい
ます。1。Train.pyコードの解釈:ここでは、主にpaddlesegトレーニングエントリファイルのコードについて説明します。このファイルには、パラメーターの分析、トレーニングの開始方法、およびトレーニング用に準備されたリソースが記述されています。
画像セグメンテーションスイートPaddleSeg包括的な分析(1)train.pyコード解釈
2.構成コード解釈:ここでは主にConfigクラスのコードについて説明し、構成クラスはtrain.pyによってインスタンス化され、構成は構成ファイルによって生成されます。 train.pyオブジェクトの実行時に指定されます。
画像セグメンテーションスイートの包括的分析PaddleSeg(2)3。DataSet
コードの解釈:ここでは主にDatasetクラスについて説明し、各データセットをクラスとして抽象化します。Datasetクラスを継承することにより、匿名プロトコルが実現され、ファイルリストはトレーニング用に作成されます。
画像セグメンテーションスイートPaddleSegの包括的な分析(3)
4。データ拡張コードの解釈:ここでは、主にデータの前処理と拡張のためのいくつかの一般的なアルゴリズムについて説明します。
画像セグメンテーションスイートPaddleSegの包括的な分析(4)
5。モデルとバックボーンコードの解釈:ここでは、主に一般的に使用されるモデルとバックボーンネットワークおよびアルゴリズムについて説明します。
画像セグメンテーションスイートPaddleSeg包括的な分析(5)
画像セグメンテーションスイートPaddleSeg包括的な分析(6)
6.損失関数コードの解釈:ここでは、主に一般的に使用される損失関数のコードとアルゴリズムについて説明します。
画像セグメンテーションスイートPaddleSeg包括的な分析(7)
7.評価モデルコードの解釈:モデルの性能を評価するためのコードと評価方法の説明です。
1.train.pyコードの解釈
ニューラルネットワークモデルのトレーニングを完了するには、train.pyを使用する必要があります。これはPaddleSegのコアコードです。
まず、下の図を組み合わせて、トレーニング前の準備を理解しましょう。
次のコマンドを使用して、トレーニングタスクをすばやく開始できます。
python train.py --config configs/quick_start/bisenet_optic_disc_512x512_1k.yml
コマンドの-configパラメーターは、このトレーニングの構成ファイルを指定します。構成ファイルの詳細については、以下の2番目のセクションを参照してください。
train.pyスクリプトの実行の開始時に、次のようにいくつかのパッケージがインポートされます。
from paddleseg.cvlibs import manager, Config
from paddleseg.utils import get_sys_env, logger
from paddleseg.core import train
- マネージャモジュールをインポートすると、図の左側にある管理ボックスに5つのComponentManagerオブジェクトが作成されます。これらは、モデル、バックボーン、データセット、トランスフォーム、および損失です。これらの5つのComponentManagerは辞書に似ており、FCNクラス、ResNetクラスなど、スイート内の対応するすべてのクラスを維持するために使用されます。対応するクラスは、クラスの名前で見つけることができます。
- train.pyを実行すると、構成オブジェクトが作成されます。
cfg = Config(
args.cfg,
learning_rate=args.learning_rate,
iters=args.iters,
batch_size=args.batch_size)
構成オブジェクトが作成されると、構成ファイルで指定されたクラスがマネージャーを介して取得され、モデルや損失などのオブジェクトがインスタンス化されます。
- train.pyはtrain関数を呼び出し、configを実際のパラメーターとして渡します。train関数は、構成内のメンバーを取得してトレーニング作業を完了させます。
train.pyを詳しく解釈してみましょう。まず、train.pyのエントリコードから始めましょう。
if __name__ == '__main__':
# 处理运行train.py传入的参数
args = parse_args()
#调用主函数。
main(args)
最初にコードの最初の行を見てください
args = parse_args()
parse_args()の実装は次のとおりです。
#配置文件路径
parser.add_argument(
"--config", dest="cfg", help="The config file.", default=None, type=str)
#总训练迭代次数
parser.add_argument(
'--iters',
dest='iters',
help='iters for training',
type=int,
default=None)
#batchsize大小
parser.add_argument(
'--batch_size',
dest='batch_size',
help='Mini batch size of one gpu or cpu',
type=int,
default=None)
#学习率
parser.add_argument(
'--learning_rate',
dest='learning_rate',
help='Learning rate',
type=float,
default=None)
#保存模型间隔
parser.add_argument(
'--save_interval',
dest='save_interval',
help='How many iters to save a model snapshot once during training.',
type=int,
default=1000)
#如果需要恢复训练,指定恢复训练模型路径
parser.add_argument(
'--resume_model',
dest='resume_model',
help='The path of resume model',
type=str,
default=None)
#模型保存路径
parser.add_argument(
'--save_dir',
dest='save_dir',
help='The directory for saving the model snapshot',
type=str,
default='./output')
#数据读取器线程数量,目前在AI Studio建议设置为0.
parser.add_argument(
'--num_workers',
dest='num_workers',
help='Num workers for data loader',
type=int,
default=0)
#在训练过程中进行模型评估
parser.add_argument(
'--do_eval',
dest='do_eval',
help='Eval while training',
action='store_true')
#日志打印间隔
parser.add_argument(
'--log_iters',
dest='log_iters',
help='Display logging information at every log_iters',
default=10,
type=int)
#开启可视化训练
parser.add_argument(
'--use_vdl',
dest='use_vdl',
help='Whether to record the data to VisualDL during training',
action='store_true')
次に、次のコード行を見てください。
main(args)
mainのコードは次のとおりです。
def main(args):
#获取环境信息,比如操作系统类型、python版本号、Paddle版本、GPU数量、Opencv版本、gcc版本等内容
env_info = get_environ_info()
#打印环境信息
info = ['{}: {}'.format(k, v) for k, v in env_info.items()]
info = '\n'.join(['\n', format('Environment Information', '-^48s')] + info +
['-' * 48])
logger.info(info)
#确定是否使用GPU
place = 'gpu' if env_info['Paddle compiled with cuda'] and env_info[
'GPUs used'] else 'cpu'
#设置使用GPU或者CPU
paddle.set_device(place)
#如果没有指定配置文件这抛出异常。
if not args.cfg:
raise RuntimeError('No configuration file specified.')
#构建cfg对象,该对象包含数据集、图像增强、模型结构、损失函数等设置
#该对象基于命令行传入参数以及yaml配置文件构建
cfg = Config(
args.cfg,
learning_rate=args.learning_rate,
iters=args.iters,
batch_size=args.batch_size)
#从Config对象中获取train_data对象。train_data为迭代器
train_dataset = cfg.train_dataset
#如果没有设置训练集,抛出异常
if not train_dataset:
raise RuntimeError(
'The training dataset is not specified in the configuration file.')
#如果需要在训练中进行模型评估,则需要获取到验证集
val_dataset = cfg.val_dataset if args.do_eval else None
#获取损失函数
losses = cfg.loss
msg = '\n---------------Config Information---------------\n'
msg += str(cfg)
msg += '------------------------------------------------'
#打印出详细设置。
logger.info(msg)
#调用core/train.py中train函数进行训练
train(
cfg.model,
train_dataset,
val_dataset=val_dataset,
optimizer=cfg.optimizer,
save_dir=args.save_dir,
iters=cfg.iters,
batch_size=cfg.batch_size,
resume_model=args.resume_model,
save_interval=args.save_interval,
log_iters=args.log_iters,
num_workers=args.num_workers,
use_vdl=args.use_vdl,
losses=losses)
train.pyスクリプトでは、configを呼び出して構成ファイルを解析することに加えて、core /train.pyのtrain関数を呼び出してトレーニング作業を完了します。まず、train関数のワークフローを見てみましょう。
この図から、トレーニングプロセス全体が2つのループで構成されていることがわかります。最も外側のループは反復の総数によって制御され、次のようにyamlファイルで構成する必要があります。
iters: 80000
内側のループはデータリーダーによって制御され、すべてのデータがループから読み取られるまで、ループはデータリーダー内のすべてのデータをトラバースします。このプロセスは通常、エポックと呼ばれます。
core /train.pyのtrain関数のコードを詳細に分析してみましょう。
まず、train関数のコードの概要を見てください。
次に、詳細なコード解釈を見てみましょう。
def train(model, #模型对象
train_dataset, #训练集对象
val_dataset=None, #验证集对象,如果训练过程不需要验证,可以为None
optimizer=None, #优化器对象
save_dir='output', #模型输出路径
iters=10000, #训练最大迭代次数
batch_size=2, #batch size大学
resume_model=None, # 是否需要恢复训练,如果需要指定恢复训练模型权重路径
save_interval=1000, # 模型保存间隔
log_iters=10, # 设置日志输出间隔
num_workers=0, #设置数据读取器线程数,0为不开启多进程
use_vdl=False, #是否使用vdl
losses=None): # 损失函数系数,当使用多个损失函数时,需要指定各个损失函数的系数。
#为了兼容多卡训练,这里需要获取显卡数量。
nranks = paddle.distributed.ParallelEnv().nranks
#在分布式训练中,每个显卡都会执行本程序,所以需要在程序里获取本显卡的序列号。
local_rank = paddle.distributed.ParallelEnv().local_rank
#循环起始的迭代数。如果是恢复训练的话,从恢复训练中获得起始的迭代数。
#比如,在2000次迭代的时候保存了中间训练过程,通过resume恢复训练,那么start_iter则为2000。
start_iter = 0
if resume_model is not None:
start_iter = resume(model, optimizer, resume_model)
#创建保存输出模型文件的目录。
if not os.path.isdir(save_dir):
if os.path.exists(save_dir):
os.remove(save_dir)
os.makedirs(save_dir)
#如果是多卡训练,则需要初始化多卡训练环境。
if nranks > 1:
# Initialize parallel training environment.
paddle.distributed.init_parallel_env()
strategy = paddle.distributed.prepare_context()
ddp_model = paddle.DataParallel(model, strategy)
#创建一个批量采样器,这里指定数据集,通过批量采样器组成一个batch。这里需要指定batch size,是否随机打乱,是否丢弃末尾不能组成一个batch的数据等参数。
batch_sampler = paddle.io.DistributedBatchSampler(
train_dataset, batch_size=batch_size, shuffle=True, drop_last=True)
#通过数据集参数和批量采样器等参数构建一个数据读取器。可以通过num_works设置多进程,这里的多进程通过共享内存通信,
#如果共享内存过小可能会报错,如果报错可以尝将num_workers设置为0,则不开启多进程。
loader = paddle.io.DataLoader(
train_dataset,
batch_sampler=batch_sampler,
num_workers=num_workers,
return_list=True,
)
if use_vdl:
from visualdl import LogWriter
log_writer = LogWriter(save_dir)
#开启定时器
timer = Timer()
avg_loss = 0.0
iters_per_epoch = len(batch_sampler)
best_mean_iou = -1.0
best_model_iter = -1
train_reader_cost = 0.0
train_batch_cost = 0.0
timer.start()
iter = start_iter
#开始循环,通过迭代次数控制最外层循环。
while iter < iters:
#内部循环,遍历数据迭代器中的数据。
for data in loader:
iter += 1
if iter > iters:
break
#记录读取器时间
train_reader_cost += timer.elapsed_time()
#保存样本
images = data[0]
#保存样本标签
labels = data[1].astype('int64')
#供BCELoss使用
edges = None
if len(data) == 3:
edges = data[2].astype('int64')
#如果有多张显卡,则开启分布式训练,如果只有一张显卡则直接调用模型对象进行训练。
if nranks > 1:
#通过模型前向运算获得预测结果
logits_list = ddp_model(images)
else:
#通过模型前向运算获得预测结果
logits_list = model(images)
#通过标签计算损失
loss = loss_computation(
logits_list=logits_list,
labels=labels,
losses=losses,
edges=edges)
#计算模型参数的梯度
loss.backward()
#执行一次优化器并进行参数更新
optimizer.step()
#获取当前优化器的学习率。
lr = optimizer.get_lr()
if isinstance(optimizer._learning_rate,
paddle.optimizer.lr.LRScheduler):
optimizer._learning_rate.step()
#清除模型中的梯度
model.clear_gradients()
#计算平均损失值
avg_loss += loss.numpy()[0]
train_batch_cost += timer.elapsed_time()
#根据配置中的log_iters打印训练日志
if (iter) % log_iters == 0 and local_rank == 0:
avg_loss /= log_iters
avg_train_reader_cost = train_reader_cost / log_iters
avg_train_batch_cost = train_batch_cost / log_iters
train_reader_cost = 0.0
train_batch_cost = 0.0
remain_iters = iters - iter
eta = calculate_eta(remain_iters, avg_train_batch_cost)
logger.info(
"[TRAIN] epoch={}, iter={}/{}, loss={:.4f}, lr={:.6f}, batch_cost={:.4f}, reader_cost={:.4f} | ETA {}"
.format((iter - 1) // iters_per_epoch + 1, iter, iters,
avg_loss, lr, avg_train_batch_cost,
avg_train_reader_cost, eta))
if use_vdl:
log_writer.add_scalar('Train/loss', avg_loss, iter)
log_writer.add_scalar('Train/lr', lr, iter)
log_writer.add_scalar('Train/batch_cost',
avg_train_batch_cost, iter)
log_writer.add_scalar('Train/reader_cost',
avg_train_reader_cost, iter)
avg_loss = 0.0
#根据配置中的save_interval判断是否需要对当前模型进行评估。
if (iter % save_interval == 0
or iter == iters) and (val_dataset is not None):
num_workers = 1 if num_workers > 0 else 0
mean_iou, acc = evaluate(
model, val_dataset, num_workers=num_workers)
#评估后需要将模型训练模式,该模式影响dropout和batchnorm层
model.train()
#根据配置中的save_interval判断是否需要保存当前模型。
if (iter % save_interval == 0 or iter == iters) and local_rank == 0:
current_save_dir = os.path.join(save_dir,
"iter_{}".format(iter))
#如果输出路径不存在,需要创建目录。
if not os.path.isdir(current_save_dir):
os.makedirs(current_save_dir)
#保存模型权重
paddle.save(model.state_dict(),
os.path.join(current_save_dir, 'model.pdparams'))
#保存优化器权重,恢复训练会用到。
paddle.save(optimizer.state_dict(),
os.path.join(current_save_dir, 'model.pdopt'))
#保存最佳模型。
if val_dataset is not None:
if mean_iou > best_mean_iou:
best_mean_iou = mean_iou
best_model_iter = iter
best_model_dir = os.path.join(save_dir, "best_model")
paddle.save(
model.state_dict(),
os.path.join(best_model_dir, 'model.pdparams'))
logger.info(
'[EVAL] The model with the best validation mIoU ({:.4f}) was saved at iter {}.'
.format(best_mean_iou, best_model_iter))
if use_vdl:
log_writer.add_scalar('Evaluate/mIoU', mean_iou, iter)
log_writer.add_scalar('Evaluate/Acc', acc, iter)
#重置定时器
timer.restart()
# Sleep for half a second to let dataloader release resources.
time.sleep(0.5)
if use_vdl:
log_writer.close()
これで、PaddleSegスイートトレーニングエントリのtrain.pyファイルの解釈は終了です。
PaddleSegウェアハウスアドレス:https://github.com/PaddlePaddle/PaddleSeg