-
我们收集整理了开源以来在issues和用户群中的常见问题并且给出了简要解答，旨在为广大用户提供一些参考，也希望帮助大家少走一些弯路。
-
图像分类、识别、检索领域大佬众多，模型和论文更新速度也很快，本文档回答主要依赖有限的项目实践，难免挂一漏万，如有遗漏和不足，也希望有识之士帮忙补充和修正，万分感谢。
Q2.1.7: 在训练时，出现如下报错信息：ERROR: Unexpected segmentation fault encountered in DataLoader workers.，如何排查解决问题呢？
A：尝试将训练配置文件中的字段 num_workers 设置为 0；尝试将训练配置文件中的字段 batch_size 调小一些；检查数据集格式和配置文件中的数据集路径是否正确。
A：
-
使用
Mixup或Cutmix做训练时无法计算训练的精度（Acc）指标，因此需要在配置文件中取消Metric.Train.TopkAcc字段，可参考 Metric.Train.TopkAcc。
A：
- 当需要
fine-tune时，可以通过字段Global.pretrain_model配置预训练模型权重文件的路径，预训练模型权重文件后缀名通常为.pdparams； - 在训练过程中，训练程序会自动保存每个epoch结束时的断点信息，包括优化器信息
.pdopt和模型权重信息.pdparams。在训练过程意外中断等情况下，需要恢复训练时，可以通过字段Global.checkpoints配置训练过程中保存的断点信息文件，例如通过配置checkpoints: ./output/ResNet18/epoch_18即可恢复18epoch训练结束时的断点信息，PaddleClas将自动加载epoch_18.pdopt和epoch_18.pdparams，从19epoch继续训练。
A：Paddle支持两种转ONNX格式模型的方式，且依赖于 paddle2onnx 工具，首先需要安装 paddle2onnx：
pip install paddle2onnx-
从 inference model 转为 ONNX 格式模型：
以动态图导出的
combined格式 inference model（包含.pdmodel和.pdiparams两个文件）为例，使用以下命令进行模型格式转换：paddle2onnx --model_dir ${model_path} --model_filename ${model_path}/inference.pdmodel --params_filename ${model_path}/inference.pdiparams --save_file ${save_path}/model.onnx --enable_onnx_checker True
上述命令中：
model_dir：该参数下需要包含.pdmodel和.pdiparams两个文件；model_filename：该参数用于指定参数model_dir下的.pdmodel文件路径；params_filename：该参数用于指定参数model_dir下的.pdiparams文件路径；save_file：该参数用于指定转换后的模型保存目录路径。
关于静态图导出的非
combined格式的 inference model（通常包含文件__model__和多个参数文件）转换模型格式，以及更多参数说明请参考 paddle2onnx 官方文档 paddle2onnx。 -
直接从模型组网代码导出ONNX格式模型：
以动态图模型组网代码为例，模型类为继承于
paddle.nn.Layer的子类，代码如下所示：import paddle from paddle.static import InputSpec class SimpleNet(paddle.nn.Layer): def __init__(self): pass def forward(self, x): pass net = SimpleNet() x_spec = InputSpec(shape=[None, 3, 224, 224], dtype='float32', name='x') paddle.onnx.export(layer=net, path="./SimpleNet", input_spec=[x_spec])
其中：
InputSpec()函数用于描述模型输入的签名信息，包括输入数据的shape、type和name（可省略）；paddle.onnx.export()函数需要指定模型组网对象net，导出模型的保存路径save_path，模型的输入数据描述input_spec。
需要注意，
paddlepaddle版本需大于2.0.0。关于paddle.onnx.export()函数的更多参数说明请参考paddle.onnx.export。
A：pq_size 是PQ检索算法的参数。PQ检索算法可以简单理解为“分层”检索算法，pq_size 是每层的“容量”，因此该参数的设置会影响检索性能，不过，在底库总数据量不太大（小于10000张）的情况下，这个参数对性能的影响很小，因此对于大多数使用场景而言，在构建底库时无需修改该参数。关于PQ检索算法的更多内容，可以查看相关论文。
A：PaddleClas是一个兼主体检测、图像分类、图像检索于一体的图像识别repo，用于解决大部分图像识别问题，用户可以很方便的使用PaddleClas来解决小样本、多类别的图像识别问题。PaddleDetection提供了目标检测、关键点检测、多目标跟踪等能力，方便用户定位图像中的感兴趣的点和区域，被广泛应用于工业质检、遥感图像检测、无人巡检等项目。
A: Momentum 优化器是在 SGD 优化器的基础上引入了“动量”的概念。在 SGD 优化器中，在 t+1 时刻，参数 w 的更新可表示为：
w_t+1 = w_t - lr * grad其中，lr 为学习率，grad 为此时参数 w 的梯度。在引入动量的概念后，参数 w 的更新可表示为：
v_t+1 = m * v_t + lr * grad
w_t+1 = w_t - v_t+1其中，m 即为动量 momentum，表示累积动量的加权值，一般取 0.9，当取值小于 1 时，则越早期的梯度对当前的影响越小，例如，当动量参数 m 取 0.9 时，在 t 时刻，t-5 的梯度加权值为 0.9 ^ 5 = 0.59049，而 t-2 时刻的梯度加权值为 0.9 ^ 2 = 0.81。因此，太过“久远”的梯度信息对当前的参考意义很小，而“最近”的历史梯度信息对当前影响更大，这也是符合直觉的。
通过引入动量的概念，在参数更新时考虑了历史更新的影响，因此可以加快收敛速度，也改善了 SGD 优化器带来的损失（cost、loss）震荡问题。
A: 目前 PaddleClas 没有实现。如果需要，可以尝试自己修改代码。简单来说，该论文所提出的思想是使用较大分辨率作为输入，对已经训练好的模型最后的FC层进行fine-tune。具体操作上，首先在较低分辨率的数据集上对模型网络进行训练，完成训练后，对网络除最后的FC层外的其他层的权重设置参数 stop_gradient=True，然后使用较大分辨率的输入对网络进行fine-tune训练。
A：PaddleClas提供了多种数据增广方式， 可分为3类：
- 图像变换类： AutoAugment, RandAugment;
- 图像裁剪类： CutOut、RandErasing、HideAndSeek、GridMask；
- 图像混叠类：Mixup, Cutmix.
其中，RandAngment提供了多种数据增强方式的随机组合，可以满足亮度、对比度、饱和度、色调等多方面的数据增广需求。
A：主体检测这块的输出数量是可以通过配置文件配置的。在配置文件中Global.threshold控制检测的阈值，小于该阈值的检测框被舍弃，Global.max_det_results控制最大返回的结果数，这两个参数共同决定了输出检测框的数量。
A：训练数据是在COCO、Object365、RPC、LogoDet等公开数据集中随机抽取的子集。目前我们在2.3版本中推出了超轻量的主体检测模型，具体信息可以参考主体检测。关于主体检测模型的更多信息请参考主体检测。
A：目前的主体检测模型训练时使用了COCO、Object365、RPC、LogoDet等公开数据集，如果被检测数据是类似工业质检等于常见类别差异较大的数据，需要基于目前的检测模型重新微调训练。
A：circle loss是统一了样本对学习和分类学习的两种形式，如果是分类学习的形式的话，可以增加triplet loss。
A：建议使用商品识别模型，一来是因为商品覆盖的范围比较广，被识别的图片是商品的概率更大，二来是因为商品识别模型的训练数据使用了5万类别的数据，泛化能力更好，特征会更鲁棒一些。
A：使用维度小的向量，为了加快计算，在实际使用过程中，可能使用128甚至更小。一般来说，512的维度已经够大，能充分表示特征了。
Q1.6.1 PaddleClas目前使用的Möbius向量检索算法支持类似于faiss的那种index.add()的功能吗? 另外，每次构建新的图都要进行train吗？这里的train是为了检索加速还是为了构建相似的图？
A：目前在release/2.3分支已经支持faiss检索模块，并且不再支持Möbius。关于Möbius提供的检索算法，是一种基于图的近似最近邻搜索算法，目前支持两种距离计算方式：inner product和L2 distance，但是Möbius暂不支持faiss中提供的index.add功能，如果需要增加检索库的内容，需要从头重新构建新的index. 在每次构建index时，检索算法内部执行的操作是一种类似于train的过程，不同于faiss提供的train接口。因此需要faiss模块的话，可以使用release/2.3分支，需要Möbius的话，目前需要回退到release/2.2分支。
A: Query 与 Gallery 均为数据集配置，其中 Gallery 用于配置底库数据，Query 用于配置验证集。在进行 Eval 时，首先使用模型对 Gallery 底库数据进行前向计算特征向量，特征向量用于构建底库，然后模型对 Query 验证集中的数据进行前向计算特征向量，再与底库计算召回率等指标。
A：在保存权重的路径中存放了train.log。
A：
1.确保正确加载预训练模型, 最简单的加载方式添加参数-o Arch.pretrained=True即可；
2.模型微调时，学习率不要太大，如设置0.001就好。
A：可以，但目前PaddleClas并不支持视频输入。可以尝试修改一下PaddleClas代码，或者预先将视频逐帧转为图像存储，再使用PaddleClas进行预测。
A: PaddleClas 支持的数据预处理算子可在这里查看：ppcls/data/preprocess/__init__.py，所有支持的算子均可在配置文件中进行配置，配置的算子名称需要和算子类名一致，参数与对应算子类的构造函数参数一致。如不需要对图像裁剪，则可去掉 CropImage、RandCropImage，使用 ResizeImage 替换即可，可通过其参数设置不同的resize方式， 使用 size 参数则直接将图像缩放至固定大小，使用resize_short 参数则会维持图像宽高比进行缩放。设置裁剪尺寸时，可通过 CropImage 算子的 size 参数，或 RandCropImage 算子的 size 参数。
A: 首先可以使用以下代码测试 Paddle 是否安装正确：
import paddle
paddle.utils.install_check.run_check(）正确安装时，通常会有如下提示：
PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.
如未能安装成功，则会有相应问题的提示。 另外，在同时安装CPU版本和GPU版本Paddle后，由于两个版本存在冲突，需要将两个版本全部卸载，然后重新安装所需要的版本。
A: PaddleClas在训练过程中，会保存/更新以下三类模型：
- 最新的模型（
latest.pdopt，latest.pdparams，latest.pdstates），当训练意外中断时，可使用最新保存的模型恢复训练； - 最优的模型（
best_model.pdopt，best_model.pdparams，best_model.pdstates）； - 训练过程中，一个epoch结束时的断点（
epoch_xxx.pdopt，epoch_xxx.pdparams，epoch_xxx.pdstates）。训练配置文件中Global.save_interval字段表示该模型的保存间隔。将该字段设置大于总epochs数，则不再保存中间断点模型。
Q2.1.7: 在训练时，出现如下报错信息：ERROR: Unexpected segmentation fault encountered in DataLoader workers.，如何排查解决问题呢？
A：尝试将训练配置文件中的字段 num_workers 设置为 0；尝试将训练配置文件中的字段 batch_size 调小一些；检查数据集格式和配置文件中的数据集路径是否正确。
A：
-
使用
Mixup或Cutmix做训练时无法计算训练的精度（Acc）指标，因此需要在配置文件中取消Metric.Train.TopkAcc字段，可参考 Metric.Train.TopkAcc。
A：
- 当需要
fine-tune时，可以通过字段Global.pretrain_model配置预训练模型权重文件的路径，预训练模型权重文件后缀名通常为.pdparams； - 在训练过程中，训练程序会自动保存每个epoch结束时的断点信息，包括优化器信息
.pdopt和模型权重信息.pdparams。在训练过程意外中断等情况下，需要恢复训练时，可以通过字段Global.checkpoints配置训练过程中保存的断点信息文件，例如通过配置checkpoints: ./output/ResNet18/epoch_18即可恢复18epoch训练结束时的断点信息，PaddleClas将自动加载epoch_18.pdopt和epoch_18.pdparams，从19epoch继续训练。
A：步骤如下：
- 基于facebook开源的
ResNeXt101-32x16d-wsl模型去蒸馏得到了ResNet50-vd模型； - 用这个
ResNet50-vd，在500W数据集上去蒸馏MobilNetV3； - 考虑到500W的数据集的分布和100W的数据分布不完全一致，所以这块，在100W上的数据上又finetune了一下，精度有微弱的提升。
A：训练SwinTransformer时，请使用版本大于等于 2.1.1 的 Paddle，并且加载我们提供的预训练模型，学习率也不宜过大。
A：主体检测模型会返回检测框，但事实上为了让后续的识别模型更加准确，在返回检测框的同时也返回了原图。后续会根据原图或者检测框与库中的图片的相似度排序，相似度最高的库中图片的标签即为被识别图片的标签。
A：要达到实时的检测效果，需要检测速度达到实时性的要求；PP-YOLO是Paddle团队提供的轻量级目标检测模型，检测速度和精度达到了很好的平衡，可以试试PP-YOLO来做检测. 关于PP-YOLO的使用，可以参照：PaddleDetection。
A：如果检测模型在自己的数据集上表现不佳，需要在自己的检测数据集上再finetune下
A：如果使用的是release/2.2分支，建议更新为release/2.3分支，在release/2.3分支中，我们使用faiss检索模块替换了Möbius检索模型，具体可以参考向量检索教程。如仍存在问题，可以在用户微信群中联系我们，也可以在GitHub提issue。
A：识别模型的微调训练和分类模型的微调训练类似，识别模型可以加载商品的预训练模型，训练过程可以参考识别模型训练，后续我们也会持续细化这块的文档。
A：在训练metric learning时，使用的Sampler是DistributedRandomIdentitySampler，该Sampler不会采样全部的图片，导致会让每一个epoch采样的数据不是所有的数据，所以无法跑完显示的mini-batch是正常现象。该问题在release/2.3分支已经优化，请更新到release/2.3使用。
A：在配置文件（如inference_product.yaml）中，IndexProcess.score_thres中会控制被识别的图片与库中的图片的余弦相似度的最小值。当余弦相似度小于该值时，不会打印结果。您可以根据自己的实际数据调整该值。
A：请确保data_file.txt中图片路径和图片名称中间的间隔为单个table，而不是空格。
A：从release/2.3分支起，我们使用faiss检索模块替换了Möbius检索模型，已经支持在不构建底库的前提下新增底库数据，具体可以参考向量检索教程。
A：如果使用的是release/2.2分支，建议更新为release/2.3分支，在release/2.3分支中，我们使用faiss检索模块替换了Möbius检索模型，具体可以参考向量检索教程。如仍存在问题，可以在用户微信群中联系我们，也可以在GitHub提issue。
A：pq_size 是PQ检索算法的参数。PQ检索算法可以简单理解为“分层”检索算法，pq_size 是每层的“容量”，因此该参数的设置会影响检索性能，不过，在底库总数据量不太大（小于10000张）的情况下，这个参数对性能的影响很小，因此对于大多数使用场景而言，在构建底库时无需修改该参数。关于PQ检索算法的更多内容，可以查看相关论文。
A：具体可以参考hub serving参数。
A: 该问题通常是由于在导出时未能正确加载模型参数导致的，首先检查模型导出时的日志，是否存在类似下述内容：
UserWarning: Skip loading for ***. *** is not found in the provided dict.
如果存在，则说明模型权重未能加载成功，请进一步检查配置文件中的 Global.pretrained_model 字段，是否正确配置了模型权重文件的路径。模型权重文件后缀名通常为 pdparams，注意在配置该路径时无需填写文件后缀名。
A：Paddle支持两种转ONNX格式模型的方式，且依赖于 paddle2onnx 工具，首先需要安装 paddle2onnx：
pip install paddle2onnx-
从 inference model 转为 ONNX 格式模型：
以动态图导出的
combined格式 inference model（包含.pdmodel和.pdiparams两个文件）为例，使用以下命令进行模型格式转换：paddle2onnx --model_dir ${model_path} --model_filename ${model_path}/inference.pdmodel --params_filename ${model_path}/inference.pdiparams --save_file ${save_path}/model.onnx --enable_onnx_checker True
上述命令中：
model_dir：该参数下需要包含.pdmodel和.pdiparams两个文件；model_filename：该参数用于指定参数model_dir下的.pdmodel文件路径；params_filename：该参数用于指定参数model_dir下的.pdiparams文件路径；save_file：该参数用于指定转换后的模型保存目录路径。
关于静态图导出的非
combined格式的 inference model（通常包含文件__model__和多个参数文件）转换模型格式，以及更多参数说明请参考 paddle2onnx 官方文档 paddle2onnx。 -
直接从模型组网代码导出ONNX格式模型：
以动态图模型组网代码为例，模型类为继承于
paddle.nn.Layer的子类，代码如下所示：import paddle from paddle.static import InputSpec class SimpleNet(paddle.nn.Layer): def __init__(self): pass def forward(self, x): pass net = SimpleNet() x_spec = InputSpec(shape=[None, 3, 224, 224], dtype='float32', name='x') paddle.onnx.export(layer=net, path="./SimpleNet", input_spec=[x_spec])
其中：
InputSpec()函数用于描述模型输入的签名信息，包括输入数据的shape、type和name（可省略）；paddle.onnx.export()函数需要指定模型组网对象net，导出模型的保存路径save_path，模型的输入数据描述input_spec。
需要注意，
paddlepaddle版本需大于2.0.0。关于paddle.onnx.export()函数的更多参数说明请参考paddle.onnx.export。