Skip to content

Latest commit

 

History

History
113 lines (83 loc) · 2.9 KB

quick_start_multilabel_classification.md

File metadata and controls

113 lines (83 loc) · 2.9 KB
Raw

多标签分类 quick start

基于 NUS-WIDE-SCENE 数据集，体验多标签分类的训练、评估、预测的过程，该数据集是 NUS-WIDE 数据集的一个子集。请首先安装 PaddlePaddle 和 PaddleClas，具体安装步骤可详看 环境准备。

目录

1. 数据和模型准备

  • 进入 PaddleClas 目录。
cd path_to_PaddleClas
  • 创建并进入 dataset/NUS-WIDE-SCENE 目录，下载并解压 NUS-WIDE-SCENE 数据集。
mkdir dataset/NUS-WIDE-SCENE
cd dataset/NUS-WIDE-SCENE
wget https://paddle-imagenet-models-name.bj.bcebos.com/data/NUS-SCENE-dataset.tar
tar -xf NUS-SCENE-dataset.tar
  • 返回 PaddleClas 根目录
cd ../../

2. 模型训练

export CUDA_VISIBLE_DEVICES=0,1,2,3
python3 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
    tools/train.py \
        -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml

训练 10 epoch 之后，验证集最好的正确率应该在 0.95 左右。

注意:

  1. 目前多标签分类的损失函数仅支持MultiLabelLoss(BCE Loss)。
  2. 目前多标签分类的评估指标支持AccuracyScore和HammingDistance,其他评估指标敬请期待。

3. 模型评估

python3 tools/eval.py \
    -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
    -o Arch.pretrained="./output/MobileNetV1/best_model"

4. 模型预测

python3 tools/infer.py \
    -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
    -o Arch.pretrained="./output/MobileNetV1/best_model"

得到类似下面的输出：

[{'class_ids': [6, 13, 17, 23, 26, 30], 'scores': [0.95683, 0.5567, 0.55211, 0.99088, 0.5943, 0.78767], 'file_name': './deploy/images/0517_2715693311.jpg', 'label_names': []}]

5. 基于预测引擎预测

5.1 导出 inference model

python3 tools/export_model.py \
    -c ./ppcls/configs/quick_start/professional/MobileNetV1_multilabel.yaml \
    -o Arch.pretrained="./output/MobileNetV1/best_model"

inference model 的路径默认在当前路径下 ./inference

5.2 基于预测引擎预测

首先进入 deploy 目录下：

cd ./deploy

通过预测引擎推理预测：

python3 python/predict_cls.py \
     -c configs/inference_multilabel_cls.yaml

得到类似下面的输出：

0517_2715693311.jpg:    class id(s): [6, 13, 17, 23, 26, 30], score(s): [0.96, 0.56, 0.55, 0.99, 0.59, 0.79], label_name(s): []