CVPR 2020 AliProducts Challenge

一个通用的图像分类模板，天池/CVPR AliProducts Challenge 3/688🍟

队伍：薯片分类器！

Features

• Backbone

  • ResNet(101)
  • ResNeXt(101)
  • ResNeSt(101, 200)
  • Res2Net(101)
  • iResNet(101, 152, 200)
  • EffiCientNet(B-5, B-7)

• 优化器

  • Adam
  • SGD
  • Ranger(RAdam+Look Ahead)

• Scheduler

  • Cos
  • 自定义scheduler

• Input Pipeline

  • 裁剪和切割
  • 随机翻折和旋转
  • 随机放大
  • 随机色相
  • 随机饱和度
  • 随机亮度
  • Norm_input

• 其他tricks

  • label smooth
  • model ensemble
  • TTA

Prerequisites

python >= 3.6
torch >= 1.0
tensorboardX >= 1.6
utils-misc >= 0.0.5
torch-template >= 0.0.4
mscv >= 0.0.3

都是很好装的库，不需要编译。

Code Usage

Code Usage:
Training:
    python train.py --tag your_tag --model ResNeSt101 --epochs 20 -b 24 --lr 0.0001 --gpu 0

Finding Best Hyper Params:  # 需先设置好sweep.yml
    python grid_search.py --run

Resume Training (or fine-tune):
    python train.py --tag your_tag --model ResNeSt101 --epochs 20 -b 24 --load checkpoints/your_tag/9_ResNeSt101.pt --resume --gpu 0

Eval:
    python eval.py --model ResNeSt101 -b 96 --load checkpoints/your_tag/9_ResNeSt101.pt --gpu 1

Generate Submission:
    python submit.py --model ResNeSt101 --load checkpoints/your_tag/9_ResNeSt101.pt -b 96 --gpu 0

Check Running Log:
    cat logs/your_tag/log.txt

Clear(delete all files with the tag, BE CAREFUL to use):
    python clear.py --tag your_tag

See ALL Running Commands:
    cat run_log.txt

参数用法：

--tag参数是一次操作(train或eval)的标签，日志会保存在logs/标签目录下，保存的模型会保存在checkpoints/标签目录下。

--model是使用的模型，所有可用的模型定义在network/__init__.py中。

--epochs是训练的代数。

-b参数是batch_size，可以根据显存的大小调整。

--lr是初始学习率。

--load是加载预训练模型。

--resume配合--load使用，会恢复上次训练的epoch和优化器。

--gpu指定gpu id，目前只支持单卡训练。

--debug以debug模式运行，debug模式下每个epoch只会训练前几个batch。

另外还可以通过参数调整优化器、学习率衰减、验证和保存模型的频率等，详细请查看python train.py --help。

如何添加自定义的模型：

如何添加新的模型：

① 复制network目录下的Default文件夹，改成另外一个名字(比如MyNet)。

② 在network/__init__.py中import你的Model并且在models = {}中添加它。
    from MyNet.Model import Model as MyNet
    models = {
        'default': Default,
        'MyNet': MyNet,
    }

③ 尝试 python train.py --model MyNet --debug 看能否成功运行