PFLD 模型训练
本节将介绍如何在 PFLD 表计数据集上训练 PFLD 表计模型。PFLD 模型是在论文 PFLD: A Practical Facial Landmark Detector 中提出的。
准备数据集
SSCMA 默认使用自定义 Meter 数据集训练 PFLD 模型，请参照以下步骤完成数据集的准备。
参考互联网数据集 - SSCMA - 自定义 Meter 数据集下载数据集并完成数据集的解压。
记住数据集解压后的文件夹路径 (如:
datasets\meter)，在之后修改配置文件时需要使用该文件夹路径。
选择配置文件
我们将根据需要执行的训练任务类型来选择合适的配置文件，我们已经在模型配置中对配置文件的功能、结构、原理进行了简单介绍。
对于表计 PFLD 模型示例，我们使用 pfld_mbv2n_112.py 作为配置文件，它位于 SSCMA 主目录路径 configs/pfld 下的文件夹中，并额外继承了 default_runtime_pose.py 配置文件。
配置文件内容如下，对于初学者，我们建议首先注意该配置文件中 data_root 和 epochs 这两个参数。
pfld_mbv2n_112.py
_base_='../_base_/default_runtime_pose.py'
num_classes=1
model=dict(type='PFLD',
backbone=dict(type='PfldMobileNetV2',
inchannel=3,
layer1=[16, 16, 16, 16, 16],
layer2=[32, 32, 32, 32, 32, 32],
out_channel=16),
head=dict(type='PFLDhead',
num_point=num_classes,
input_channel=16,
loss_cfg=dict(type='L1Loss')))
# dataset settings
dataset_type='MeterData'
data_root=''
height=112
width=112
batch_size=32
workers=4
train_pipeline=[
dict(type="Resize", height=height, width=width, interpolation=0),
dict(type='ColorJitter', brightness=0.3, p=0.5),
dict(type='GaussNoise'),
dict(type='MedianBlur', blur_limit=3, p=0.3),
dict(type='HorizontalFlip'),
dict(type='VerticalFlip'),
dict(type='Rotate'),
dict(type='Affine', translate_percent=[0.05, 0.1], p=0.6)
]
val_pipeline=[dict(type="Resize", height=height, width=width)]
train_dataloader=dict(
batch_size=32,
num_workers=2,
persistent_workers=True,
drop_last=False,
collate_fn=dict(type='default_collate'),
sampler=dict(type='DefaultSampler', shuffle=True, round_up=False),
dataset=dict(type=dataset_type,
data_root=data_root,
index_file=r'train/annotations.txt',
pipeline=train_pipeline,
test_mode=False),
)
val_dataloader=dict(
batch_size=1,
num_workers=1,
persistent_workers=True,
drop_last=False,
collate_fn=dict(type='default_collate'),
sampler=dict(type='DefaultSampler', shuffle=False, round_up=False),
dataset=dict(type=dataset_type,
data_root=data_root,
index_file=r'val/annotations.txt',
pipeline=val_pipeline,
test_mode=True),
)
test_dataloader=val_dataloader
lr=0.0001
epochs=300
evaluation=dict(save_best='loss')
optim_wrapper=dict(
optimizer=dict(type='Adam', lr=lr, betas=(0.9, 0.99), weight_decay=1e-6))
optimizer_config=dict(grad_clip=dict(max_norm=35, norm_type=2))
val_evaluator=dict(type='PointMetric')
test_evaluator=val_evaluator
find_unused_parameters=True
train_cfg=dict(by_epoch=True, max_epochs=500)
# learning policy
param_scheduler=[
dict(type='LinearLR', begin=0, end=500, start_factor=0.001,
by_epoch=False), # warm-up
dict(type='MultiStepLR',
begin=1,
end=500,
milestones=[350, 400, 450, 490],
gamma=0.1,
by_epoch=True)
]训练模型
训练模型需要使用我们之前配置好的 SSCMA 工作环境，如果您按照我们的安装指南使用 Conda 将 SSCMA 安装在了名为 sscma 的虚拟环境中，请首先确保您目前正处在虚拟环境中。
然后，在 SSCMA 项目根目录，我们执行如下的指令，训练一个端到端的表计 PFLD 模型。
python3 tools/train.py \
configs/pfld/pfld_mbv2n_112.py \
--cfg-options \
data_root='datasets/meter' \
epochs=50在训练期间，训练得到的模型权重和相关的日志信息会默认保存至路径 work_dirs/pfld_mbv2n_112 下，您可以使用 TensorBoard 等工具事实监测训练情况。
tensorboard --logdir work_dirs/pfld_mbv2n_112在训练完成后，最新的 PFLD 模型权重文件的路径会保存在 work_dirs/pfld_mbv2n_112/last_checkpoint 文件中。请留意权重文件路径，在将模型转换为其他格式时需要用到。
TIP
如果您配置了虚拟环境但并未激活，您可以使用以下命令激活虚拟环境:
conda activate sscma测试和评估
测试
在完成了 PFLD 模型的训练后，您可以使用以下命令，指定特定权重并对模型进行简单测试:
python3 tools/inference.py \
configs/pfld/pfld_mbv2n_112.py \
"$(cat work_dirs/pfld_mbv2n_112/last_checkpoint)" \
--cfg-options \
data_root='datasets/meter'TIP
如果您在测试时希望实时的可视化预览，您可以在测试命令后追加一个参数 --show 来显示预测结果。对于更多可选的参数，请参考源代码 tools/test.py。
评估
为了进一步在现实中的边缘计算设备上测试和评估模型，您需要导出模型。在导出模型的过程中， SSCMA 会对模型进行一些优化，如模型的剪枝、蒸馏等。您可以参考模型导出章节进一步学习如何导出模型。