Lightweight OpenPose for PyTorch

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

概述

简述

Lightweight_OpenPose是对原OpenPose模型的改进版。在基本思想方面，Lightweight_OpenPose的方法并未有太大的变动。Lightweight_OpenPose的目标是在cpu上实现实时的单图多目标的姿态估计任务。其主要方法是使用小而精的mobilenet作为backbone；使用预训练模型初始化参数；轻量的refinement模块；多refinement模块的训练方法。

• 参考实现：

  url=https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch.git
  commit_id=1590929b601535def07ead5522f05e5096c1b6ac
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/pose_estimation
  

准备训练环境

准备环境

• 推荐使用最新的版本准备训练环境。

  表 1 版本配套表

  软件	版本	安装指南
  Driver	AscendHDK 25.0.RC1.1	《驱动固件安装指南 》
  Firmware	AscendHDK 25.0.RC1.1
  CANN	CANN 8.1.RC1	《CANN 软件安装指南 》
  PyTorch	2.1.0	《Ascend Extension for PyTorch 配置与安装 》
  torch_npu	release v7.0.0-pytorch2.1.0

• 三方库依赖如下表所示。

  表 2 三方库依赖表

  Torch_Version	三方库依赖版本
  PyTorch 2.1	torchvision==0.16.0

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

  pip install -r 1.11_requirements.txt  # PyTorch1.11版本
  
  pip install -r 2.1_requirements.txt  # PyTorch2.1版本
  

  说明： 只需执行一条对应的PyTorch版本依赖安装命令。

准备数据集

1. 获取数据集。

   用户自行下载 coco2017 数据集，将数据集上传到服务器任意路径下并解压(假设路径名为 coco_home )下。

   数据集目录结构参考如下所示。

    data
    ├── coco_home
        |── train2017  
                  ├──图片1 
                  │...           
                  ├──图片2           
        |── val2017  
                  ├──图片1 
                  │... 
                  ├──图片2
        ├── test2017 
                  ├──图片1 
                  │...
                  ├──图片2
        ├── annotations
                    ├person_keypoints_train2017.json 
                    ├person_keypoints_val2017.json
   
   

   说明： 该数据集的训练过程脚本只作为一种参考示例。

2. 数据预处理。

   • 将训练标准文件转化为内部格式，在主目录下生成文件prepared_train_annotation.pkl。

     python3 scripts/prepare_train_labels.py --labels <coco_home>/annotations/person_keypoints_train2017.json
     
   • 从完整的5000样本数量的验证集中随机生成一个样本量250的子集。在主目录下生成文件val_subset.json。

     python3 scripts/make_val_subset.py --labels <coco_home>/annotations/person_keypoints_val2017.json
     

获取预训练模型

请用户自行获取预训练模型，将获取的 mobilenet_sgd_68.848.pth.tar 预训练模型放置在源码包根目录下。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称} 
   

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     # 单卡性能
     bash ./test/train_performance_1p.sh --data_path=<coco_home>
     
     # 单卡精度
     # train 1p full,模型经过三步step训练，依次执行以下脚本
     # step one,结果位于主目录下文件夹“step_one_checkpoints”
     bash ./test/train_full_1p.sh --data_path=<coco_home> --step=1
     # step two,结果位于主目录下文件夹“step_two_checkpoints”
     bash ./test/train_full_1p.sh --data_path=<coco_home> --step=2
     # step three,结果位于主目录下文件夹“step_three_checkpoints”
     bash ./test/train_full_1p.sh --data_path=<coco_home> --step=3
     

   • 单机8卡训练

     启动8卡训练。

     # 8卡性能
     # train 8p performance,结果位于主目录下文件夹“perf_8p_checkpoints”
     bash ./test/train_performance_8p.sh --data_path=<coco_home>
     
     # 8卡精度
     # train 8p full,模型经过三步step训练，依次执行以下脚本
     # step one,结果位于主目录下文件夹“step_one_checkpoints”
     bash ./test/train_full_8p.sh --data_path=<coco_home> --step=1
     # step two,结果位于主目录下文件夹“step_two_checkpoints”
     bash ./test/train_full_8p.sh --data_path=<coco_home> --step=2
     # step three,结果位于主目录下文件夹“step_three_checkpoints”
     bash ./test/train_full_8p.sh --data_path=<coco_home> --step=3
     

   • 验证阶段

     启动单卡验证。

      # 验证各阶段的最佳模型的精度，依次执行以下脚本
      # eval step one,结果位于主目录下文件夹“eval_step1”
      bash ./test/eval.sh --data_path=<coco_home> --step=1 --device_id=0 --checkpoint_path=./step_one_checkpoints/model_best.pth
      # eval step two,结果位于主目录下文件夹“eval_step2”
      bash ./test/eval.sh --data_path=<coco_home> --step=2 --device_id=1 --checkpoint_path=./step_two_checkpoints/model_best.pth
      # eval step three,结果位于主目录下文件夹“eval_step3”
      bash ./test/eval.sh --data_path=<coco_home> --step=3 --device_id=2 --checkpoint_path=./step_three_checkpoints/model_best.pth
     

   说明： 训练的脚本需要在前一步骤结束后再接着启动。因为依赖于前一步保存的模型。验证的脚本使用单卡验证，所以训练完成后，可以分别启动三个脚本在不同卡上运行。单次验证时间约为3小时。

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --step：模型三步训练中第几步。

   --device_id：指定卡号。

   --checkpoint_path：已训练模型权重路径。

   模型训练脚本参数说明如下。

   公共参数：
   --from-mobilenet                          // 模型名称
   --train-images-folder                     // 数据集路径
   --prepared-train-labels                   // 预先生成的格式化文件
   --val-labels                              // 验证数据集标签
   --val-images-folder                       // 验证数据集目录
   --checkpoint-path                         // 已训练模型权重路径
   --base-lr                                 // 初始学习率
   --batch_size                              // 训练批次大小
   --print-freq                              // 打印频率
   --experiment-name                         // 训练步骤第几步
   --epochs                                  // 重复训练次数
   --addr                                    // 集合通信IP
   --rank                                    // 节点排名
   --dist-url                                // 分布式通信url
   --amp                                     // 使用混合精度
   --opt-level                               // apex优化器级别
   --loss-scale                              // apex loss缩放比例值
   --device                                  // 使用设备
   --num-workers                             // 加载数据线程数
   --gpu                                     // 使用卡号
   --world-size                              // 总进程数
   --dist-backend                            // 使用后台
   

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 3 训练结果展示表

step-3阶段结果

8p-NPU上各阶段训练后的模型精度

说明1： 以上精度结果为执行train_full_8p.sh脚本所得的验证集的结果。

说明：上表为历史数据，仅供参考。2025年5月10日更新的性能数据如下：

版本说明

变更

2022.7.24：首次发布。

已知问题

无。