mobilenetv3_pytorch目标检测模型

Mobilenetv3_pytorch

论文

Searching for MobileNetV3

• https://arxiv.org/pdf/1905.02244.pdf

模型结构

MobileNetv3模型采用轻量级的深度可分离卷积（depthwise separable convolution）结构，以减少模型参数量和计算复杂度。

算法原理

MobileNetv3模型采用混合使用轻量级深度可分离卷积和逆残差结构（Inverted Residuals）的算法原理，以实现高效计算和良好的模型性能。

环境配置

Docker（方法一）

此处提供光源拉取docker镜像的地址与使用步骤

docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10-py38-latest

docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash

Dockerfile（方法二）

此处提供dockerfile的使用方法

cd ./docker
docker build --no-cache -t mobilenetv3:1.0 .
docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash

Anaconda（方法三）

此处提供本地配置、编译的详细步骤，例如：

关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装。

DTK驱动：dtk22.10
python：python3.8
torch：1.10
torchvision：0.10

Tips：以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应 另外需要安装如下三方库

pip install scipy

数据集

cifar10

• CIFAR-10

├── cifar-10-batches-py
│   ├── batches.meta
│   ├── data_batch_1
│   ├── data_batch_2
│   ├── data_batch_3
│   ├── data_batch_4
│   ├── data_batch_5
│   ├── readme.html
│   └── test_batch

数据预处理

无

训练

单机多卡

bash train.sh

result

精度

测试数据：cifar10，使用的加速卡:Z100L。

根据测试结果情况填写表格：

卡数	准确率
4	91.44%

应用场景

算法类别

目标检测

热点应用行业

交通,政府,金融

源码仓库及问题反馈

• ModelZoo / MobileNetv3_pytorch · GitLab

参考资料

• https://github.com/showlo/mobilenetv3