10.1.4.14. FCOS3D检测模型训练¶
这篇教程以FCOS3D-efficientnetb0为例，告诉大家如何使用HAT算法包训练一个定点的3D检测模型。 在开始量化感知训练，也就是定点模型训练之前，首先需要训练一个精度较高的纯浮点模型，然后基于这个纯浮点模型做finetune，就可以快速的训练出定点模型。 所以我们从训练一个纯浮点的FCOS3D-efficientnetb0模型开始讲起。
10.1.4.14.1. 数据集准备¶
在开始训练模型之前，第一步是需要准备好数据集。这里我们训练 FCOS3D 模型使用的是开源的 nuscenes 数据集。解压缩之后数据目录结构如下所示：
tmp_data
|-- nuscenes
|-- v1.0-mini.tar
|-- v1.0-test_blobs.tar
|-- v1.0-test_meta.tar
|-- v1.0-trainval01_blobs.tar
|-- ...
|-- v1.0-trainval10_blobs.tar
|-- v1.0-trainval_meta.tar
|-- can_bus
|-- maps
|-- meta
|-- samples
|-- sweeps
|-- v1.0-mini
|-- v1.0-test
|-- v1.0-trainval
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 ./tmp_data/nuscenes --pack-type lmdb --split-name train --version v1.0-trainval
python3 tools/datasets/nuscenes_packer.py --src-data-dir ./tmp_data/nuscenes --pack-type lmdb --split-name val --version v1.0-trainval
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
|-- train_lmdb
|-- val_lmdb
|-- meta
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。
10.1.4.14.2. 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FCOS3D-efficientnetb0检测网络了。 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/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
由于HAT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。
10.1.4.14.2.1. 模型构建¶
FCOS3D的网络结构可以参考 论文 ，
这里不做详细介绍。我们通过在config配置文件中定义 model 这样的一个dict型变量，就可以方便的实现对模型的定义和修改。
model = dict(
type="FCOS3D",
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="BiFPN",
in_strides=[2, 4, 8, 16, 32],
out_strides=[8, 16, 32, 64, 128],
stride2channels=dict({2: 16, 4: 24, 8: 40, 16: 112, 32: 320}),
out_channels=64,
num_outs=5,
stack=3,
start_level=2,
end_level=-1,
fpn_name="bifpn_sum",
),
head=dict(
type="FCOS3DHead",
num_classes=10,
in_channels=64,
feat_channels=256,
stacked_convs=2,
strides=[8, 16, 32, 64, 128],
group_reg_dims=(2, 1, 3, 1, 2), # offset, depth, size, rot, velo
use_direction_classifier=True,
pred_attrs=True,
num_attrs=9,
cls_branch=(256,),
reg_branch=(
(256,), # offset
(256,), # depth
(256,), # size
(256,), # rot
(), # velo
),
dir_branch=(256,),
attr_branch=(256,),
centerness_branch=(64,),
centerness_on_reg=True,
return_for_compiler=False,
output_int32=True,
),
targets=dict(
type="FCOS3DTarget",
num_classes=10,
background_label=None,
bbox_code_size=9,
regress_ranges=((-1, 48), (48, 96), (96, 192), (192, 384), (384, INF)),
strides=[8, 16, 32, 64, 128],
pred_attrs=True,
num_attrs=9,
center_sampling=True,
center_sample_radius=1.5,
centerness_alpha=2.5,
norm_on_bbox=True,
),
post_process=dict(
type="FOCS3DPostProcess",
num_classes=10,
use_direction_classifier=True,
strides=[8, 16, 32, 64, 128],
group_reg_dims=(2, 1, 3, 1, 2),
pred_attrs=True,
num_attrs=9,
attr_background_label=9,
bbox_coder=dict(type="FCOS3DBBoxCoder", code_size=9),
bbox_code_size=9,
dir_offset=0.7854,
test_cfg=dict(
use_rotate_nms=True,
nms_across_levels=False,
nms_pre=1000,
nms_thr=0.8,
score_thr=0.05,
min_bbox_size=0,
max_per_img=100,
),
),
loss=dict(
type="FCOS3DLoss",
num_classes=10,
pred_attrs=True,
group_reg_dims=(2, 1, 3, 1, 2),
num_attrs=9,
pred_velo=True,
use_direction_classifier=True,
dir_offset=0.7854,
dir_limit_offset=0,
diff_rad_by_sin=True,
loss_cls=dict(
type="FocalLoss",
num_classes=11,
gamma=2.0,
alpha=0.25,
),
loss_bbox=dict(type="SmoothL1Loss", beta=1.0 / 9.0, loss_weight=1.0),
loss_dir=dict(
type="CrossEntropyLoss", use_sigmoid=False, loss_weight=1.0
),
loss_attr=dict(
type="CrossEntropyLoss", use_sigmoid=False, loss_weight=1.0
),
loss_centerness=dict(
type="CrossEntropyLoss",
use_sigmoid=True,
loss_weight=1.0,
),
train_cfg=dict(
allowed_border=0,
code_weight=[1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.05, 0.05],
pos_weight=-1,
debug=False,
),
),
)
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。
10.1.4.14.2.2. 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="NuscenesMonoDataset",
data_path="./tmp_data/nuscenes/train_lmdb/",
transforms=[
dict(
type="Pad",
divisor=128,
),
dict(
type="ToTensor",
to_yuv=True,
),
dict(
type="Normalize",
mean=128.0,
std=128.0,
),
],
),
sampler=dict(type=torch.utils.data.DistributedSampler),
batch_size=batch_size_per_gpu,
shuffle=True,
num_workers=8,
pin_memory=True,
collate_fn=hat.data.collates.collate_2d,
)
10.1.4.14.2.3. 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.SGD,
params={"weight": dict(weight_decay=5e-5)},
lr=0.001,
momentum=0.9,
),
batch_processor=batch_processor,
num_epochs=12,
device=None,
callbacks=[
stat_callback,
loss_show_update,
dict(
type="StepDecayLrUpdater",
warmup_len=0.3,
lr_decay_id=[8, 11],
step_log_interval=10,
),
ckpt_callback,
],
train_metrics=dict(
type="LossShow",
),
sync_bn=True,
)
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。
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。
10.1.4.14.3. 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训练定点模型了：
python3 tools/train.py --stage calibration --config configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
python3 tools/train.py --stage qat --config configs/detection/fcos3d/fcos3d_efficientnetb0_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 qat_trainer 和 calibration_trainer 。
calibration_trainer = dict(
type="Calibrator",
model=model,
model_convert_pipeline=dict(
type="ModelConvertPipeline",
qat_mode="fuse_bn",
qconfig_params=dict(
activation_calibration_observer="min_max",
),
converters=[
dict(
type="LoadCheckpoint",
checkpoint_path=os.path.join(
ckpt_dir, "float-checkpoint-best.pth.tar"
),
),
dict(type="Float2Calibration", convert_mode=convert_mode),
],
),
data_loader=calibration_data_loader,
batch_processor=calibration_batch_processor,
num_steps=calibration_step,
device=None,
callbacks=[
stat_callback,
val_callback,
ckpt_callback,
],
val_metrics=dict(
type="NuscenesMonoMetric",
data_root=meta_rootdir,
version="v1.0-trainval",
),
log_interval=calibration_step / 10,
)
qat_trainer = dict(
type="distributed_data_parallel_trainer",
model=model,
model_convert_pipeline=dict(
type="ModelConvertPipeline",
qat_mode="fuse_bn",
qconfig_params=dict(
activation_qat_qkwargs=dict(
averaging_constant=0,
),
weight_qat_qkwargs=dict(
averaging_constant=1,
),
),
converters=[
dict(type="Float2QAT", convert_mode=convert_mode),
dict(
type="LoadCheckpoint",
checkpoint_path=os.path.join(
ckpt_dir, "calibration-checkpoint-best.pth.tar"
),
),
],
),
data_loader=data_loader,
optimizer=dict(
type=torch.optim.AdamW,
params={"weight": dict(weight_decay=0.01)},
lr=1e-6,
),
batch_processor=batch_processor,
num_epochs=10,
device=None,
callbacks=[
stat_callback,
loss_show_update,
val_callback,
ckpt_callback,
],
sync_bn=True,
train_metrics=dict(
type="LossShow",
),
val_metrics=dict(
type="NuscenesMonoMetric",
data_root=meta_rootdir,
version="v1.0-trainval",
),
)
10.1.4.14.3.1. model_convert_pipeline参数的值不同¶
当我们训练量化模型的时候，需要设置相应的model_convert_pipeline，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。
10.1.4.14.3.2. 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。
10.1.4.14.3.3. 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，calibration和qat三阶段的训练过程，相应的我们可以验证这三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 --stage float --config configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
python3 tools/predict.py --stage calibration --config configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
python3 tools/predict.py --stage qat --config configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
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 --stage int_infer configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
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。
10.1.4.14.3.4. 仿真上板精度验证¶
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/align_bpu_validation.py --config configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
10.1.4.14.3.5. 结果可视化¶
如果你希望可以看到训练出来的模型对于单张图片的检测效果，我们的tools文件夹下面同样提供了单张图片预测及可视化的脚本，你只需要运行以下脚本即可：
python3 tools/infer.py -c configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py --model-inputs input_image:${img-path},input_ann:${ann-path},score_th:${score_th} --save-path ${save_path}
10.1.4.14.3.6. 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/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py
10.1.4.14.3.7. 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/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py