【论文复现】MobileOne：移动端仅需1ms的高性能主干！

CVPR 2023 | MobileOne：移动端仅需1ms的高性能主干！超越MobileViT！

AI Studio

519人浏览 · 2023-05-13 00:03:36

AI Studio · 2023-05-13 00:03:36 发布

★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

MobileOne: An Improved One millisecond Mobile Backbone

【参考代码】

【参考论文】

一句话总结

MobileOne(≈MobileNetV1+RepVGG+训练Trick)是由Apple公司提出的一种基于iPhone12优化的超轻量型架构，在ImageNet数据集上以<1ms的速度取得了75.9%的Top1精度。

1 论文解读

1.1 论文目的

高效率网络具有更强的实用价值，但学术界的研究往往聚焦于FLOPs或者参数量的降低，而这两者与推理效率之间并不存在严格的一致性。比如，FLOPs并未考虑访存消耗与计算并行度，像无参操作(如跳过连接导致的Add、Concat等)会带来显著的访存消耗，导致更长推理耗时。

为更好的分析高效率网络的瓶颈所在，作者以iPhone12平台为基准，从不同维度进行了"瓶颈"分析，见上图。从中可以看到：

具有高参数量的模型也可以拥有低延迟，比如ShuffleNetV2；
具有高FLOPs的模型也可以拥有低延迟，比如MobileNetV1和ShuffleNetV2；

Type	Flops	Parameters
	corr. p-value	corr. p-value
Mobile Latency	0.47 0.03	0.30 0.18
CPU Latency	0.06 0.80	0.07 0.77

上表从SRCC角度进行了分析，可以看到：

在移动端，延迟与FLOPs和参数量的相关性较弱；
在PC-CPU端，该相关性进一步弱化。

1.2 具体方案

基于上述洞察，作者从先两个主要效率"瓶颈"维度上进行了对比，然后对性能"瓶颈"进行了分析并提出相应方案。

Activation Functions：上表对比了不同激活函数对于延迟的影响，可以看到：尽管具有相同的架构，但不同激活函数导致的延迟差异极大。本文默认选择ReLU激活函数。

Architectural Block：上表对影响延迟的两个主要因素(访存消耗与计算并行度)进行了分析，见上表，可以看到：当采用单分支结构时，模型具有更快的速度。此外，为改善效率，作者在大模型配置方面有限的实用了SE模块。

基于上述分析，MobileOne的核心模块基于MobileNetV1而设计，同时吸收了重参数思想，得到上图所示的结构。注：这里的重参数机制还存在一个超参k用于控制重参数分支的数量(实验表明：对于小模型来说，该变种收益更大)。

在Model Scaling方面类似MobileNetV2，上表给出了MobileOne不同配置的参数信息。

在训练优化方面，小模型需要更少的正则，因此作者提出了Annealing的正则调整机制(可带来0.5%指标提升)；此外，作者还引入渐进式学习机制(可带来0.4%指标提升)；最后，作者还采用EMA机制，最终MobileOne-S2模型达到了77.4%的指标。

1.3 实验结果

上表给出了ImageNet数据集上不同轻量型方案的性能与效率对比，可以看到：

哪怕最轻量的Transformer也需要至少4ms，而MobileOne-S4仅需1.86ms即可达到79.4%的精度；
相比EfficientNet-B0，MobileOne-S3不仅具有指标高1%，同时具有更快的推理速度；
相比其他方案，在PC-CPU端，MobileOne仍具有非常明显的优势。

上表为MS-COCO检测、VOC分割以及ADE20K分割任务上的性能对比，很明显：

在MC-COCO任务上，MobileOne-S4比MNASNet指标高27.8%，比MobileViT高6.1%；
在VOC分割任务上，所提方案比MobileViT高1.3%，比MobileNetV2高5.8%；
在ADE20K任务上，所提最佳方案比MobileNetV2高12%，而MobileOne-S1仍比MobileNetV2高2.9%。

在文章最后，作者俏皮的提了一句：“Although, our models are state-of-the art within the regime of efficient architectures, the accuracy lags large models ConvNeXt and Swin Transformer”。

2 模型训练

2.1 查看飞桨版本

# 1.查看飞桨版本
import paddle
print(paddle.__version__)

2.4.0

2.2 安装PaddleClas环境

添加了MobilieOne的PaddleClas已打包至PaddleClas.zip中，通过解压进行环境安装

参考文档：https://github.com/PaddlePaddle/PaddleClas/blob/release/2.2/docs/en/tutorials/install_en.md

# !git clone https://github.com/PaddlePaddle/PaddleClas.git -b develop
!unzip PaddleClas.zip
%cd /home/aistudio/PaddleClas
!pip install --upgrade pip
!pip install --upgrade -r requirements.txt --user -i https://mirror.baidu.com/pypi/simple

2.3 了解PaddleClas深度学习套件

【官方文档】：拥有图像识别、图像分类、特征学习等内容

2.4 PaddleClas全局配置

参数名称	具体含义	默认值
checkpoints	断点模型路径，用于恢复训练	null
pretrained_model	预训练模型路径	null
output_dir	保存模型路径	“./output/”
save_interval	每隔多少个epoch保存模型	1
eval_during_train	是否在训练时进行评估	True
eval_interval	每隔多少个epoch进行模型评估	1
epochs	训练总epoch数	无
print_batch_step	每隔多少个mini-batch打印输出	10
use_visualdl	是否是用visualdl可视化训练过程	False
image_shape	图片大小	[3，224，224]
save_inference_dir	inference模型的保存路径	“./inference”
eval_mode	eval的模式	“classification”

注：

image_shape值除了默认还可以选择list, shape: (3,)
eval_mode除了默认值还可以选择"retrieval"

参考文档：

https://github.com/PaddlePaddle/PaddleClas/blob/release/2.2/docs/en/tutorials/config_description_en.md

3 数据集

3.1 官方分类尝试

下载并解压flowers102数据集，数据集中有：

train_list.txt：训练集，1020张图
val_list.txt：验证集，1020张图
train_extra_list.txt：大的训练集，7169张图

# 1.修改当前路径
!mkdir /home/aistudio/dataset
%cd /home/aistudio/dataset
# 2.下载数据集
!wget https://paddle-imagenet-models-name.bj.bcebos.com/data/flowers102.zip
# 3.解压数据
!unzip flowers102.zip

4 模型训练

ImageNet-1K

Model	Top-1 Acc.	Latency*
MobileOne-S0	71.4	0.79
MobileOne-S1	75.9	0.89
MobileOne-S2	77.4	1.18
MobileOne-S3	78.1	1.53
MobileOne-S4	79.4	1.86

Latency measured on iPhone 12 Pro.

这里我们选用复现好的MobileOne_S0网络模型的配置进行鲜花分类模型的训练

!python tools/train.py -c ppcls/configs/MobileOne/MobileOne_S0.yml

运行tools文件夹下的train.py文件

-c指的是训练使用的配置文件的路径为./ppcls/configs/ImageNet/VovNet/vovnet39_x1.0.yaml
-o表示的是是否使用预训练模型，可以是选择为True或False，也可以使用预训练模型存放路径。

# 切换目录到PaddleClas下
%cd /home/aistudio/PaddleClas
# 开始训练
!python tools/train.py \
    -c ppcls/configs/MobileOne/MobileOne_S0.yml \
    -o Global.pretrained_model=/home/aistudio/PaddleClas/pretrain/mobileone_s0

5 模型预测

-c为训练配置文件
-o Infer.infer_imgs=为预测的图片
-o Global.pretrained_model=为用于预测的模型

!python tools/infer.py -c ppcls/configs/MobileOne/MobileOne_S0.yml \
                     -o Infer.infer_imgs=/home/aistudio/dataset/flowers102/jpg/image_00001.jpg \
                     -o Global.pretrained_model=/home/aistudio/PaddleClas/output/MobileOne_S0/best_model

6 模型评估

import paddle

!python -m paddle.distributed.launch \
    tools/eval.py \
        -c ppcls/configs/MobileOne/MobileOne_S0.yml \
        -o Global.pretrained_model=/home/aistudio/PaddleClas/output/MobileOne_S0/best_model

7 模型导出

!python tools/export_model.py \
    -c ppcls/configs/MobileOne/MobileOne_S0.yml \
    -o Global.pretrained_model=/home/aistudio/PaddleClas/output/MobileOne_S0/best_model \
    -o Global.save_inference_dir=inference_output

8 paddle2onnx 模型转化与预测

# 1. 环境准备
!python3.7 -m pip install paddle2onnx
!python3.7 -m pip install onnxruntime

!mkdir models_onnx

# 2. 模型转换
!paddle2onnx --model_dir=/home/aistudio/PaddleClas/models_onnx/ \
    --model_filename=/home/aistudio/PaddleClas/inference_output/inference.pdmodel \
    --params_filename=/home/aistudio/PaddleClas/inference_output/inference.pdiparams \
    --save_file=/home/aistudio/PaddleClas/models_onnx/inference.onnx \
    --opset_version=10 \
    --enable_onnx_checker=True

[Paddle2ONNX] Start to parse PaddlePaddle model...
[Paddle2ONNX] Model file path: /home/aistudio/PaddleClas/inference_output/inference.pdmodel
[Paddle2ONNX] Paramters file path: /home/aistudio/PaddleClas/inference_output/inference.pdiparams
[Paddle2ONNX] Start to parsing Paddle model...
[Paddle2ONNX] Use opset_version = 10 for ONNX export.
[Paddle2ONNX] PaddlePaddle model is exported as ONNX format now.
2023-05-09 18:29:27 [INFO]	===============Make PaddlePaddle Better!================
2023-05-09 18:29:27 [INFO]	A little survey: https://iwenjuan.baidu.com/?code=r8hu2s

e=r8hu2s