Skip to content

Latest commit

 

History

History
executable file
·
274 lines (193 loc) · 9.86 KB

README.md

File metadata and controls

executable file
·
274 lines (193 loc) · 9.86 KB

Unet_Industrial (TensorFlow)

本仓库是在MLU上基于TensorFlow框架实现的网络，支持训练与推理。

目录 (Table of Contents)

1. 模型概述

Unet_industrial是一个呈U型结构的语义分割模型。原始论文为Unet_industrial.

Unet_industrial网络的TensorFlow原生代码实现可参考：这里。

2. 模型支持情况

2.1 训练模型支持情况

Models Framework Supported MLU Supported Data Precision Multi-GPUs Multi-Nodes
Unet_industrial TensorFlow MLU370-X8 FP16/FP32 Yes Not Tested

2.2 推理模型支持情况

Models Framework Supported MLU Supported Data Precision Jit/Eager Support
Unet_industrial TensorFlow MLU370-X4/X8 FP32 Eager

3. 模型训练推理参数说明

Unet_industrial模型的训练推理参数存在于unet2d.py内，同时受到run_scripts/内的shell脚本的共同影响。

（1）run_scripts/内的shell脚本涉及到的常用参数及含义如下表所示：

参数 作用 默认值
exec_mode 设置网络的运行模式 None
data_dir 存放数据集的目录 None
results_dir 存放结果的目录 None
use_hvd 是否使用horovod进行分布式训练 True
activation_fn 选择激活函数 relu
iter_unit 迭代的单位 batch
batch_size 更改训练的batch_size None
num_iter 迭代的次数 None
dataset_name 数据集的名称 None
dataset_classID 更改训练的ClassID None
data_format 数据格式 NCHW
learning_rate 学习率 1e-4
learning_rate_decay_factor 学习率衰减系数 0.8
learning_rate_decay_steps 学习率衰减步数 500
rmsprop_momentum rmsprop 优化器 momentum 系数 0.8
loss_fn_name 选择损失函数 adaptive_loss
weight_decay 权重衰减系数 1e-5
weight_init_method 权重初始化方法 he_normal
display_every 隔多少次迭代显示一次 500
debug_verbosity 详细级别：最低 0，1 层创建调试信息，2 层 + var 创建调试信息。 0
use_gpu 是否使用gpu False
use_amp 是否使用amp模式 False
use_performance 是否使用 use_performance 测试工具 False
use_profiler 是否使用 profiler 工具 False

4. 快速使用

下面将详细展示如何在 Cambricon TensorFlow上完成Unet_industrial的训练与推理。

4.1 环境依赖项检查

  • Linux常见操作系统版本(如Ubuntu16.04，Ubuntu18.04，CentOS7.x等)，安装docker(>=v18.00.0)应用程序；
  • 服务器装配好寒武纪MLU300系列计算板卡，如需进行训练，则需装配MLU370-X8，若只需推理，则装配MLU370-X4/X8均可；
  • Cambricon Driver >=v4.20.6；
  • CNTensorFlow == 1.15.5;
  • 若不具备以上软硬件条件，可前往寒武纪云平台注册并试用@TODO

4.2 环境准备

4.2.1 容器环境搭建

容器环境通常有两种搭建方式，一种是基于基础镜像，另一种则是基于DOCKERFILE。

(1)基于base docker image的容器环境搭建

a)导入镜像

下载Cambricon TensorFlow 镜像并参考如下命令加载镜像： docker load -i Your_Cambricon_TensorFlow_Image.tar.gz

b)启动容器

run_docker.sh示例如下，根据本地的镜像版本，修改如下示例中的IMAGE_NAME和IMAGE_TAG变量后再运行bash run_docker.sh即可启动容器。

#!/bin/bash
# Below is a sample of run_docker.sh.
# Modify the  YOUR_IMAGE_NAME according to your own environment.
# For instance, 
# IMAGE_NAME=tensorflow1-1.15.0-x86_64-ubuntu18.04
# IMAGE_TAG=latest

IMAGE_NAME=YOUR_IMAGE_NAME
IMAGE_TAG=YOUR_IMAGE_TAG

export MY_CONTAINER="tf1_unet2d_tensorflow_modelzoo"

num=`docker ps -a|grep "$MY_CONTAINER"|wc -l`
echo $num
echo $MY_CONTAINER

if [ 0 -eq $num ];then
    xhost +
    docker run -it --name="${MY_CONTAINER}" \
     --net=host \
     --privileged=true \
     --cap-add=sys_ptrace \
     --shm-size="16g" \
     -v /usr/bin/cnmon:/usr/bin/cnmon \
     -v /data:/data \
     --device=/dev/cambricon_dev0 \
     --device=/dev/cambricon_ctl \
     $IMAGE_NAME:$IMAGE_TAG  \
     /bin/bash
else
    docker start $MY_CONTAINER
    docker exec -ti --env COLUMNS=`tput cols` --env LINES=`tput lines` $MY_CONTAINER /bin/bash

fi

c)下载项目代码

在容器内使用 git clone 下载本仓库代码并进入tensorflow_modelzoo/tensorflow/built-in/Segmentation/UNet_Industrial 目录。

d)安装模型依赖项

# 安装requirements中的依赖库
pip install -r requirements.txt
# 安装性能测试工具(可选)
# 若不开启性能测试（use_performance为False），则无需安装。
cd ../../../../tools/record_time/
pip install .

(2)基于DOCKERFILE的容器环境搭建

a)构建镜像

由于本仓库包含各类网络，如Segmentation类，Classification 类，为避免网络之间可能的依赖项冲突，您可基于DOCKERFILE构建当前网络专属的镜像。详细步骤如下所示：

# 1. 新建并进入文件夹
mkdir dir_for_docker_build
cd dir_for_docker_build

# 2. 使用git clone下载tensorflow_modelzoo仓库
git clone https://gitee.com/cambricon/tensorflow_modelzoo.git


# 3. 进入该网络目录
cd tensorflow_modelzoo/tensorflow/built-in/Segmentation/UNet_Industrial

# 4. 参考 前文 (1)基于base docker image的容器环境搭建 a)小节，获取基础镜像，假设镜像名字为cambricon_tensorflow1:vX.Y.Z-x86_64-ubuntu18.04

# 5. 修改DOCKERFILE内的FROM_IMAGE_NAME的值为cambricon_tensorflow1:vX.Y.Z-x86_64-ubuntu18.04

# 6. 开始基于DOCKERFILE构建镜像
export IMAGE_NAME=unet2d_image
docker build --network=host -t $IMAGE_NAME -f DOCKERFILE ../../../../../

b)创建并启动容器

上一步成功运行后，本地便生成了一个名为unet2d_image的镜像，后续即可基于该镜像创建容器。

# 1. 参考前文(1)基于base docker image的容器环境搭建 b) 小节，修改run_docker.sh 内的IMAGE_NAME为unet2d_image
# 2. 运行run_docker.sh
bash run_docker.sh

4.2.2 数据集准备

本仓库使用的训练数据集是DAGM2007，依照如下文件列表下载：

Class1.zip
Class2.zip
Class3.zip
Class4.zip
Class5.zip
Class6.zip
Class7.zip
Class8.zip
Class9.zip

设置完data_dir后，还需要创建如下目录结构：

└── raw_images
    └── private
        ├── Class1
        ├── ...

接着，运行脚本 python dataset_prosess.py 处理数据集。

4.3 运行Run脚本

4.3.1 一键执行训练脚本

进入run_scripts/，该目录内提供了from_scratch的训练脚本。

Models Framework Supported MLU Data Precision Cards Run
Unet_industrial TensorFlow MLU370-X8 Float32 8 bash Horovod_Unet2d_Float32_2500E_8MLUs.sh
Unet_industrial TensorFlow MLU370-X8 AMP 8 bash Horovod_Unet2d_AMP_2500E_8MLUs.sh
Unet_industrial TensorFlow MLU370-X8 Float32 1 bash Unet2d_Float32_2500E_1MLU.sh

根据您的实际环境与需求，修改脚本内数据集的路径（env.sh内的DATA_DIR）及其他参数的值。

4.3.2 一键执行推理脚本

进入run_scripts/，该目录内提供了单机单卡推理脚本：

Models Framework Supported MLU Data Precision Cards Run
Unet_industrial TensorFlow MLU370 X4/X8 FP32 1 bash Infer_Unet2d_Float32_1MLU.sh

5. 结果展示

5.1 训练结果

Training accuracy results: MLU370-X8

Unet_industrial的训练精度可由模型在测试集上的IoU_THS_0.99表征。在DAGM2007数据集上，以fp32精度类型训练的模型精度如下：

MLUs Batch Size(Train)/Batch Size(Test) EPOCH IoU_THS_0.99
4 16/16 2500 0.978

5.2 推理结果

在单机单卡上使用MLU370-X8对训练了2500个EPOCH的checkpoint进行推理，其精度与性能表现如下表所示:

Models Jit/Eager Supported Data Precision Batch Size IoU_THS_0.99 avg_ips
Unet_industrial Eager FP32 16 0.978 75.44

6. 免责声明

您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。

7. Release_Notes

@TODO