SSD

使用 SSD，支持以下任务

• dataset_convert

• train

• evaluate

• prune

• inference

• export

这些任务可以通过命令行按照以下提到的约定从 TAO Launcher 调用

            

            
tao model ssd <sub_task> <args_per_subtask>
        

其中，args_per_subtask 是给定子任务所需的命令行参数。以下详细解释了每个子任务。

TAO 中的对象检测应用程序期望使用 KITTI 格式的数据进行训练和评估。

有关 KITTI 数据格式的更多信息，请参阅数据注释格式页面。

ssd 数据加载器支持原始 KITTI 格式的数据以及 TFrecords。

为了使用 TFRecords 优化跨数据批次的迭代，需要首先将原始输入数据转换为 TFRecords 格式。这可以使用 dataset_convert 子任务完成。目前，支持 KITTI 和 COCO 格式。

dataset_convert 工具需要一个配置文件作为输入。以下章节包含配置文件的详细信息和示例。

数据集转换器的配置文件

dataset_convert 工具提供了几个可配置的参数。这些参数封装在一个 spec 文件中，用于将数据从原始注释格式转换为训练器可以摄取的 TFRecords 格式。可以使用 kitti_config 或 coco_config 分别配置 KITTI 和 COCO 格式。在一个 spec 文件中，您只能使用其中一个。spec 文件是一个 prototxt 格式的文件，具有以下全局参数

• kitti_config：一个嵌套的 prototxt 配置，包含多个输入参数

• coco_config：一个嵌套的 prototxt 配置，包含多个输入参数

• image_directory_path：数据集根目录的路径。image_dir_name 被附加到此路径以获取输入图像，并且必须与实验 spec 文件中指定的路径相同。

• target_class_mapping：prototxt 字典，将 tfrecords 中的类名映射到网络中要训练的目标类。

kitti_config

以下是 kitti_config 字段的可配置参数的描述

下面显示的示例配置文件将 100% KITTI 数据集转换为训练集。

            

            
kitti_config {
  root_directory_path: "/workspace/tao-experiments/data/"
  image_dir_name: "training/image_2"
  label_dir_name: "training/label_2"
  image_extension: ".png"
  partition_mode: "random"
  num_partitions: 2
  val_split: 0
  num_shards: 10
}
image_directory_path: "/workspace/tao-experiments/data/"
  target_class_mapping {
      key: "car"
      value: "car"
  }
  target_class_mapping {
      key: "pedestrian"
      value: "pedestrian"
  }
  target_class_mapping {
      key: "cyclist"
      value: "cyclist"
  }
  target_class_mapping {
      key: "van"
      value: "car"
  }
  target_class_mapping {
      key: "person_sitting"
      value: "pedestrian"
  }
  target_class_mapping {
      key: "truck"
      value: "car"
  }
        

coco_config

以下是 coco_config 字段的可配置参数的描述

下面显示的示例配置文件转换带有训练和验证数据的 COCO 数据集，其中验证的 shards 数量为 32，训练的 shards 数量为 256。

            

            
coco_config {
  root_directory_path: "/workspace/tao-experiments/data/coco"
  image_dir_names: ["val2017", "train2017"]
  annotation_files: ["annotations/instances_val2017.json", "annotations/instances_train2017.json"]
  num_partitions: 2
  num_shards: [32, 256]
}
image_directory_path: "/workspace/tao-experiments/data/coco"
        

数据集转换器工具的示例用法

以下描述了 dataset_convert 工具

            

            
tao model ssd dataset-convert [-h] -d DATASET_EXPORT_SPEC
                             -o OUTPUT_FILENAME
                             [-v]
        

您可以使用以下参数

• -h, --help：显示此帮助消息并退出

• -d, --dataset-export-spec：检测数据集 spec 的路径，其中包含导出 .tfrecord 文件的配置

• -o, --output_filename：输出文件名

• -v：启用详细模式以显示调试消息

以下示例显示了如何将命令与数据集一起使用

            

            
tao model ssd dataset_convert -d /path/to/spec.txt
                        -o /path/to/tfrecords/train
        

以下是 SSD spec 文件的示例。它有六个主要组成部分：ssd_config、training_config、eval_config、nms_config、augmentation_config 和 dataset_config。spec 文件的格式是 protobuf 文本 (prototxt) 消息，其每个字段可以是基本数据类型或嵌套消息。

            

            
random_seed: 42
ssd_config {
  aspect_ratios: "[[1.0, 2.0, 0.5],  [1.0, 2.0, 0.5, 3.0, 1.0/3.0],  [1.0, 2.0, 0.5, 3.0, 1.0/3.0],  [1.0, 2.0, 0.5, 3.0, 1.0/3.0],  [1.0, 2.0, 0.5],  [1.0, 2.0, 0.5]]"
  scales: "[0.07, 0.15, 0.33, 0.51, 0.69, 0.87, 1.05]"
  two_boxes_for_ar1: true
  clip_boxes: false
  variances: "[0.1, 0.1, 0.2, 0.2]"
  arch: "resnet"
  nlayers: 18
  freeze_bn: false
  freeze_blocks: 0
}
training_config {
  batch_size_per_gpu: 16
  num_epochs: 80
  enable_qat: false
  learning_rate {
  soft_start_annealing_schedule {
    min_learning_rate: 5e-5
    max_learning_rate: 2e-2
    soft_start: 0.15
    annealing: 0.8
    }
  }
  regularizer {
    type: L1
    weight: 3e-5
  }
}
eval_config {
  validation_period_during_training: 10
  average_precision_mode: SAMPLE
  batch_size: 16
  matching_iou_threshold: 0.5
}
nms_config {
  confidence_threshold: 0.01
  clustering_iou_threshold: 0.6
  top_k: 200
}
augmentation_config {
  output_width: 300
  output_height: 300
  output_channel: 3
  image_mean {
    key: 'b'
    value: 103.9
  }
  image_mean {
    key: 'g'
    value: 116.8
  }
  image_mean {
    key: 'r'
    value: 123.7
  }
}
dataset_config {
  data_sources: {
      # option 1
      tfrecords_path: "/path/to/train/tfrecord"

      # option 2
      # label_directory_path: "/path/to/train/labels"
      # image_directory_path: "/path/to/train/images"
  }
  include_difficult_in_training: true
  target_class_mapping {
      key: "car"
      value: "car"
  }
  target_class_mapping {
      key: "pedestrian"
      value: "pedestrian"
  }
  target_class_mapping {
      key: "cyclist"
      value: "cyclist"
  }
  target_class_mapping {
      key: "van"
      value: "car"
  }
  target_class_mapping {
      key: "person_sitting"
      value: "pedestrian"
  }
  validation_data_sources: {
    label_directory_path: "/path/to/val/labels"
    image_directory_path: "/path/to/val/images"
  }
}
        

以下各节总结了 spec 文件的顶层结构。

训练配置

训练配置 (training_config) 定义了训练、评估和推理所需的参数。下表总结了详细信息。

训练可视化配置

训练期间的可视化由 visualizer 参数配置。下表描述了它的参数。

如果启用可视化，则将在训练期间生成 tensorboard 日志，包括学习率、训练损失、验证损失、验证 mAP 和每个类的验证 AP 的图表。并且带有 bbox 的增强图像也将在 tensorboard 中生成。

提前停止

下表描述了提前停止的参数。

评估配置

评估配置 (eval_config) 定义了在训练期间或作为独立过程进行评估所需的参数。下表总结了详细信息。

NMS 配置

NMS 配置 (nms_config) 定义了 NMS 后处理所需的参数。NMS 配置适用于训练、验证、评估、推理和导出中模型的 NMS 层。下表总结了详细信息。

增强配置

augmentation_config 参数定义了预处理后的图像大小。SSD 论文中的增强方法将在训练期间执行，包括随机翻转、放大、缩小和颜色抖动。增强后的图像将调整为 augmentation_config 中定义的输出形状。在评估过程中，只会执行调整大小。

数据集配置

dataset_config 参数定义了训练数据集、验证数据集和 target_class_mapping 的路径。

SSD 配置

SSD 配置 (ssd_config) 定义了构建 SSD 模型所需的参数。下表总结了详细信息。

使用此命令训练 SSD 模型

            

            
tao model ssd train [-h] -e <experiment_spec>
                   -r <output_dir>
                   -k <key>
                   [--gpus <num_gpus>]
                   [--gpu_index <gpu_index>]
                   [--use_amp]
                   [--log_file <log_file>]
                   [-m <resume_model_path>]
                   [--initial_epoch <initial_epoch>]
        

必需参数

• -r, --results_dir：用于写入实验输出的文件夹路径。

• -k, --key：提供加密密钥以解密模型。

• -e, --experiment_spec_file：用于设置评估实验的实验规范文件。这应与训练规范文件相同。

可选参数

• --gpus num_gpus：用于训练的 GPU 数量和要启动的进程数。默认值 = 1。

• --gpu_index：用于运行训练的 GPU 索引。当机器安装了多个 GPU 时，我们可以指定用于运行训练的 GPU 索引。

• --use_amp：用于启用 AMP 训练的标志。

• --log_file：日志文件的路径。默认为 stdout。

• -m, --resume_model_weights：预训练模型或要继续训练的模型的路径。

• --initial_epoch：要从其恢复的 Epoch 编号。

• --use_multiprocessing：在数据生成器中启用多处理模式。

• -h, --help：显示此帮助消息并退出。

输入要求

• 输入大小：C * W * H（其中 C = 1 或 3，W >= 128，H >= 128）

• 图像格式：JPG、JPEG、PNG

• 标签格式：KITTI 检测

示例用法

以下是在 SSD 模型上使用 train 命令的示例

            

            
tao model ssd train --gpus 2 -e /path/to/spec.txt -r /path/to/result -k $KEY
        

使用以下命令对 SSD 模型运行评估

            

            
tao model ssd evaluate [-h] -m <model>
                      -e <experiment_spec_file>
                      [-k <key>]
                      [--gpu_index <gpu_index>]
                      [--log_file <log_file>]
        

必需参数

• -m, --model：要评估的 .tlt 模型或 TensorRT 引擎。

• -e, --experiment_spec_file：用于设置评估实验的实验 spec 文件。这应与训练 spec 文件相同。

可选参数

• -h, --help：显示此帮助消息并退出。

• -k, --key：.tlt 模型的编码密钥

• --gpu_index：用于运行评估的 GPU 索引（当机器安装了多个 GPU 时很有用）。请注意，评估只能在单个 GPU 上运行。

• --log_file：日志文件的路径。默认路径为 stdout。

以下是评估 SSD 模型的示例命令

            

            
tao model ssd evaluate -m /path/to/trained_tlt_ssd_model -k <model_key> -e /path/to/ssd_spec.txt
        

SSD 网络的 inference 命令可用于可视化 bboxes 或在图像目录上生成逐帧 KITTI 格式标签。以下是使用此工具的示例

            

            
tao model ssd inference [-h] -i <input directory>
                       -o <output annotated image directory>
                       -e <experiment spec file>
                       -m <model file>
                       -k <key>
                       [-l <output label directory>]
                       [-t <bbox filter threshold>]
                       [--gpu_index <gpu_index>]
                       [--log_file <log_file>]
        

必需参数

• -m, --model：预训练模型（TAO 模型）的路径。

• -i, --in_image_dir：用于推理的输入图像目录。

• -o, --out_image_dir：输出带注释图像的目录路径。

• -k, --key：加载模型的密钥。

• -e, --config_path：训练实验 spec 文件的路径。

可选参数

• -t, --threshold：用于绘制 bbox 和转储标签文件的阈值。（默认值：0.3）。

• -h, --help：显示此帮助消息并退出。

• -l, --out_label_dir：用于输出 KITTI 标签的目录。

• --gpu_index：用于运行推理的 GPU 索引（当机器安装了多个 GPU 时很有用）。请注意，评估只能在单个 GPU 上运行。

• --log_file：日志文件的路径。默认路径为 stdout。

以下是使用 SSD 模型进行推理的示例

            

            
tao model ssd inference -i /path/to/input/images_dir -o /path/to/output/dir -m /path/to/trained_tlt_ssd_model -k <model_key> -e /path/to/ssd_spec.txt
        

剪枝从模型中删除参数以减小模型大小，而不会损害模型本身的完整性。

prune 命令包括以下参数

            

            
tao model ssd prune [-h] -m <pretrained_model>
                   -o <output_file> -k <key>
                   [-n <normalizer>]
                   [-eq <equalization_criterion>]
                   [-pg <pruning_granularity>]
                   [-pth <pruning threshold>]
                   [-nf <min_num_filters>]
                   [-el [<excluded_list>]
                   [--gpu_index <gpu_index>]
                   [--log_file <log_file>]
        

必需参数

• -m, --pretrained_model：预训练模型的路径。

• -o, --output_file：输出检查点的路径。

• -k, --key：用于加载 .tlt 模型的密钥。

可选参数

• -h, --help：显示此帮助消息并退出。

• -n, normalizer：max 表示通过将每个范数除以层内的最大范数进行归一化；L2 表示通过除以包含所有内核范数的向量的 L2 范数进行归一化。（默认值：max）

• -eq, --equalization_criterion：用于均衡元素级操作层或深度卷积层的输入的统计信息的标准。此参数对于 resnet 和 mobilenet 很有用。选项为 arithmetic_mean、geometric_mean、union 和 intersection。（默认值：union）

• -pg, -pruning_granularity：一次要删除的过滤器数量。（默认值：8）

• -pth：用于比较归一化范数的阈值。（默认值：0.1）

• -nf, --min_num_filters：每层要保留的最小过滤器数量（默认值：16）

• -el, --excluded_layers：excluded_layers 列表。示例：-i item1 item2（默认值：[]）

• --gpu_index：用于运行剪枝的 GPU 索引（当机器安装了多个 GPU 时很有用）。请注意，评估只能在单个 GPU 上运行。

• --log_file：日志文件的路径。默认为 stdout。

以下是使用 prune 命令的示例

            

            
tao model ssd prune -m /workspace/output/weights/resnet_003.tlt \
              -o /workspace/output/weights/resnet_003_pruned.tlt \
              -eq union \
              -pth 0.7 -k $KEY
        

剪枝后，模型需要重新训练。有关更多详细信息，请参阅重新训练剪枝模型。

模型剪枝后，精度可能会略有下降。发生这种情况是因为某些以前有用的权重可能已被删除。为了重新获得精度，NVIDIA 建议您在同一数据集上重新训练此剪枝模型。为此，请使用 tao model ssd train 命令，并使用更新的 spec 文件，该文件指向新剪枝的模型作为预训练模型文件。

建议用户关闭 SSD 的 training_config 中的正则化器，以在重新训练剪枝模型时恢复精度。您可以通过将正则化器类型设置为 NO_REG 来执行此操作，如此处所述。所有其他参数都可以从之前的训练中保留在 spec 文件中。

TAO 包括 export 命令，用于导出和准备 TAO 模型以部署到 DeepStream。export 命令可以选择性地为 TensorRT INT8 引擎校准生成校准缓存。

导出模型将训练过程与推理分离，并允许在 TAO 环境之外转换为 TensorRT 引擎。TensorRT 引擎特定于每个硬件配置，应为每个唯一的推理环境生成。这可以互换地称为 .trt 或 .engine 文件。相同的导出 TAO 模型可以在训练和部署硬件之间通用使用。这称为 .etlt 文件或加密的 TAO 文件。在模型导出期间，TAO 模型使用私钥加密。当您部署此模型进行推理时，需要此密钥。

INT8 模式概述

TensorRT 引擎可以在 INT8 模式下生成以提高性能，但需要在引擎创建时使用校准缓存。如果运行 export 时 --data_type 标志设置为 int8，则校准缓存是使用校准张量文件生成的。预先生成校准信息并缓存它消除了在推理机器上校准模型的需要。移动校准缓存通常比移动校准张量文件方便得多，因为它是一个小得多的文件，可以与导出的模型一起移动。使用校准缓存还可以加快引擎创建速度，因为构建缓存可能需要几分钟才能生成，具体取决于 Tensorfile 的大小和模型本身。

导出工具可以通过使用以下方法摄取训练数据来生成 INT8 校准缓存

• 将工具指向要用于校准模型的图像目录。对于此选项，请确保创建随机图像的子采样目录，这些图像最能代表您的训练数据集。

FP16/FP32 模型

只有当您需要在 INT8 精度下运行推理时，才需要 calibration.bin。对于基于 FP16/FP32 的推理，导出步骤要简单得多：您只需提供来自 train 步骤的模型到 export，即可将其转换为加密的 TAO 模型。

导出命令

使用以下命令导出 SSD 模型

            

            
tao model ssd export  [-h] -m <path to the .tlt model file generated by tao model train>
                     -k <key>
                     -e <path to experiment spec file>
                     [-o <path to output file>]
                     [--cal_json_file <path to calibration json file>]
                     [--gen_ds_config]
                     [--gpu_index <gpu_index>]
                     [--log_file <log_file_path>]
                     [--verbose]
        

必需参数

• -m, --model：要使用 export 导出的 .tlt 模型文件的路径。

• -k, --key：用于保存 .tlt 模型文件的密钥。

• -e, --experiment_spec：spec 文件的路径。

可选参数

• -o, --output_file：保存导出模型的路径。默认路径为 ./<input_file>.etlt。

• --gen_ds_config：一个布尔标志，指示是否在与 output_file 相同的目录中生成模板 DeepStream 相关配置（“nvinfer_config.txt”）以及标签文件（“labels.txt”）。请注意，此配置文件不是完整的配置文件，需要用户使用生成的参数更新 DeepStream 中的示例配置文件。

• --gpu_index：用于导出模型的（离散）GPU 的索引。如果机器安装了多个 GPU，我们可以指定 GPU 索引来运行导出。请注意，导出只能在单个 GPU 上运行。

• --log_file：日志文件的路径。默认为 stdout。

QAT 导出模式所需参数

• --cal_json_file：包含 QAT 模型张量比例的 json 文件的路径。如果要生成 QAT 模型的引擎，则此参数是必需的。

导出模型

以下是导出 SSD 模型的示例命令

            

            
tao model ssd export -m $USER_EXPERIMENT_DIR/data/ssd/ssd_kitti_retrain_epoch12.tlt \
               -o $USER_EXPERIMENT_DIR/data/ssd/ssd_kitti_retrain.int8.etlt \
               -e $SPECS_DIR/ssd_kitti_retrain_spec.txt \
               --key $KEY
        

对于 TensorRT 引擎生成、验证和 int8 校准，请参阅TAO Deploy 文档。

有关部署到 DeepStream，请参阅将 SSD 部署到 DeepStream。