EspnetV2_paddle

1 简介

本项目基于paddlepaddle框架复现了ESPNetV2语义分割模型，ESPNetV2利用分组卷积、深度可分离空洞卷积减少模型参数。

论文：

• [1] Sachin Mehta, Mohammad Rastegari, Linda Shapiro, and Hannaneh Hajishirzi. ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network

项目参考：

• https://github.com/sacmehta/ESPNetv2

2 复现精度

在CityScapes val数据集的测试效果如下表。

	steps	opt	image_size	batch_size	dataset	memory	card	mIou	config
ESPNetV2	120k	adam	1024x512	8	CityScapes	32G	4	0.6956	espnet_cityscapes_1024_512_120k_x2.yml

3 数据集

CityScapes dataset

• 数据集大小:
  • 训练集: 2975
  • 验证集: 500

4 环境依赖

• 硬件: Tesla V100 * 4

• 框架:

  • PaddlePaddle == develop

快速开始

第一步：克隆本项目

# clone this repo
git clone https://github.com/justld/EspnetV2_paddle.git
cd EspnetV2_paddle

安装第三方库

pip install -r requirements.txt

第二步：计算交叉熵损失的权重

运行compute_classweight.py文件，注意修改文件内的数据路径，将运行打印的输出结果作为配置文件的损失函数权重。

第三步：训练模型

单卡训练：

python train.py --config configs/espnet_cityscapes_1024_512_120k_x2.yml  --do_eval --use_vdl --log_iter 100 --save_interval 1000 --save_dir output

多卡训练：

python -m paddle.distributed.launch train.py --config configs/espnet_cityscapes_1024_512_120k_x2.yml  --do_eval --use_vdl --log_iter 100 --save_interval 1000 --save_dir output

第四步：测试

output目录下包含已经训练好的模型参数以及对应的日志文件。

python val.py --config configs/espnet_cityscapes_1024_512_120k_x2.yml --model_path output/scale_x2/best_model/model.pdparams

6 代码结构与说明

代码结构

├─configs                          
├─images                         
├─output                           
├─paddleseg                                                   
│  export.py                     
│  predict.py                        
│  README.md                        
│  README_CN.md                     
│  requirements.txt                      
│  setup.py                   
│  train.py                
│  val.py                       

说明 1、本项目在Aistudio平台，使用Tesla V100 * 4 脚本任务训练120K miou达到69.56%。 2、本项目基于PaddleSeg开发。

7 模型信息

相关信息:

信息	描述
作者	郎督、胡慧明
日期	2021年9月
框架版本	Paddle develop
应用场景	语义分割
硬件支持	GPU、CPU
在线体验	notebook, Script