| 模型名称 | hrnet32_imagenet |
|---|---|
| 类别 | 图像-图像分类 |
| 网络 | HRNet |
| 数据集 | ImageNet-2012 |
| 是否支持Fine-tuning | 是 |
| 模型大小 | 238MB |
| 指标 | - |
| 最新更新日期 | 2021-09-14 |
-
- HRNet是微软亚洲研究院在2019年提出的全新神经网络。与之前的卷积神经网络不同，这个网络在网络的深层依然可以保持高分辨率，所以预测的关键点的热图更加准确，而且在空间上也更加准确。此外，该网络在其他对分辨率敏感的视觉任务中表现特别好，例如检测和分割。
-
-
paddlepaddle >= 2.0.0
-
paddlehub >= 2.0.0
-
-
-
$ hub install hrnet32_imagenet
-
如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装
-
-
$ hub run hrnet32_imagenet --input_path "/PATH/TO/IMAGE" --top_k 5 -
import paddle import paddlehub as hub if __name__ == '__main__': model = hub.Module(name='hrnet32_imagenet') result = model.predict(['flower.jpg'])
-
-
在完成安装PaddlePaddle与PaddleHub后，通过执行
python train.py即可开始使用hrnet32_imagenet对Flowers等数据集进行Fine-tune。 -
代码步骤
-
Step1: 定义数据预处理方式
-
import paddlehub.vision.transforms as T transforms = T.Compose([T.Resize((256, 256)), T.CenterCrop(224), T.Normalize(mean=[0.485, 0.456, 0.406], std = [0.229, 0.224, 0.225])], to_rgb=True)
transforms数据增强模块定义了丰富的数据预处理方式，用户可按照需求替换自己需要的数据预处理方式。
-
-
Step2: 下载数据集并使用
-
from paddlehub.datasets import Flowers flowers = Flowers(transforms) flowers_validate = Flowers(transforms, mode='val')
-
transforms: 数据预处理方式。 -
mode: 选择数据模式，可选项有train,test,val， 默认为train。 -
数据集的准备代码可以参考 flowers.py。
hub.datasets.Flowers()会自动从网络下载数据集并解压到用户目录下$HOME/.paddlehub/dataset目录。
-
-
-
Step3: 加载预训练模型
-
model = hub.Module(name="hrnet32_imagenet", label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"])
name: 选择预训练模型的名字。label_list: 设置输出分类类别，默认为Imagenet2012类别。
-
-
Step4: 选择优化策略和运行配置
optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) trainer = Trainer(model, optimizer, checkpoint_dir='img_classification_ckpt') trainer.train(flowers, epochs=100, batch_size=32, eval_dataset=flowers_validate, save_interval=1)
-
运行配置
-
Trainer主要控制Fine-tune的训练，包含以下可控制的参数:model: 被优化模型；optimizer: 优化器选择；use_vdl: 是否使用vdl可视化训练过程；checkpoint_dir: 保存模型参数的地址；compare_metrics: 保存最优模型的衡量指标；
-
trainer.train主要控制具体的训练过程，包含以下可控制的参数：train_dataset: 训练时所用的数据集；epochs: 训练轮数；batch_size: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size；num_workers: works的数量，默认为0；eval_dataset: 验证集；log_interval: 打印日志的间隔， 单位为执行批训练的次数。save_interval: 保存模型的间隔频次，单位为执行训练的轮数。
-
-
-
模型预测
-
当完成Fine-tune后，Fine-tune过程在验证集上表现最优的模型会被保存在
${CHECKPOINT_DIR}/best_model目录下，其中${CHECKPOINT_DIR}目录为Fine-tune时所选择的保存checkpoint的目录。 我们使用该模型来进行预测。predict.py脚本如下：-
import paddle import paddlehub as hub if __name__ == '__main__': model = hub.Module(name='hrnet32_imagenet', label_list=["roses", "tulips", "daisy", "sunflowers", "dandelion"], load_checkpoint='/PATH/TO/CHECKPOINT') result = model.predict(['flower.jpg'])
-
NOTE: 进行预测时，所选择的module，checkpoint_dir，dataset必须和Fine-tune所用的一样。
-
-
-
-
PaddleHub Serving可以部署一个在线分类任务服务。
-
-
运行启动命令：
-
$ hub serving start -m hrnet32_imagenet
-
这样就完成了一个分类任务服务化API的部署，默认端口号为8866。
-
NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
-
-
-
配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
import requests import json import cv2 import base64 import numpy as np def cv2_to_base64(image): data = cv2.imencode('.jpg', image)[1] return base64.b64encode(data.tostring()).decode('utf8') def base64_to_cv2(b64str): data = base64.b64decode(b64str.encode('utf8')) data = np.fromstring(data, np.uint8) data = cv2.imdecode(data, cv2.IMREAD_COLOR) return data # 发送HTTP请求 org_im = cv2.imread('/PATH/TO/IMAGE') data = {'images':[cv2_to_base64(org_im)], 'top_k':2} headers = {"Content-type": "application/json"} url = "http://127.0.0.1:8866/predict/hrnet32_imagenet" r = requests.post(url=url, headers=headers, data=json.dumps(data)) data =r.json()["results"]['data']
-
-
1.0.0
初始发布