DELF描述

DELF模型是一个图像检索模型，它提供了一种新的局部特征描述符，专门为大规模图像检索应用而设计。DELF在弱监督下进行学习，具体表现为仅需要使用图像级标签。它提供了一种新的语义特征选择注意力机制，在基于cnn的模型中，一次网络前向传递就足以获得关键点和描述符。在大规模的数据集下的评估表明，DELF比许多的全局和局部描述符表现要好得多。同时，DELE也表现出了出色的性能。

论文：Noh, H. , et al. "Large-Scale Image Retrieval with Attentive Deep Local Features." 2017 IEEE International Conference on Computer Vision (ICCV) IEEE, 2017.

模型架构

DELF模型主要分为两部分：图像特征提取、注意力机制。

特征提取：通过使用经过分类损失训练的CNN的特征提取层，构建一个全卷积网络(FCN)，从图像中提取密集特征。具体来说，DELF使用在ImageNet上完成训练的ResNet50模型进行迁移学习，对地标数据集进行微调，使用标准交叉熵损失训练网络进行图像分类训练，训练后使用ResNet50中conv4_x卷积块的输出作为图像中各个接受域的特征的集合。如此一来，局部描述符隐式学习与地标检索问题更相关的表示。通过这种方式，既不需要对象级标签也不需要像素级标签来获得改进的局部描述符。

注意力机制：将提取出来的特征经过两层1x1卷积层的处理，得到每个特征对应的分数。将特征与分数进行相乘，之后将所有特征进行加和平均，使用标准交叉熵损失训练网络进行图像分类训练。训练完成后，利用该模型预测的分数作为特征的关键点选择标准。

数据集

训练数据集：Google Landmarks Dataset v2

数据集大小：601G，共200k个类、4.98M张彩色图像

[注]本模型仅需使用训练集的clean子集进行训练
- 训练集：522G，共4.1M张图像
- 验证集：71G，共762k张图像
- 测试集：8G，共118k张图像
- 注：数据集下载详见快速入门或数据集下载

评估数据集：

Oxford5k

数据集大小：1.84G，共11个类、5062张彩色图像
- 查询集：共55张图像
- 索引集：共5007张图像
- 注：数据集下载详见快速入门或数据集下载
Paris6k

数据集大小：2.43G，共11个类、6412张彩色图像
- 查询集：共55张图像
- 索引集：共6357张图像
- 注：数据集下载详见快速入门或数据集下载

环境要求

硬件（Ascend）
- 使用Ascend处理器来搭建硬件环境。
框架
- MindSpore
如需查看详情，请参见如下资源：
- MindSpore教程
- MindSpore Python API
依赖包
- h5py版本：3.4.0
- 其它依赖包信息详见requirements.txt文件

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

数据集下载和预处理

# Google Landmarks Dataset v2 训练集下载以及转化为mindrecord文件

# 【注】一共要下载4个csv文件，500个tar文件，500个md5文件，共占用约633G存储空间，请预留足够空间
# 下载数据集时间较长，并且由于网络波动等原因存在，一次执行可能会下载失败，download_gldv2.sh的三个参数分别代码下载的数据集编号最小值，
# 最大值，和保存路径
bash scripts/download_gldv2.sh 0 499 [DATASET_PATH]
# example: bash scripts/download_gldv2.sh 0 499 /home/gldv2
# 下载完成后，可以比较下载得到的tar文件的md5值和md5文件，若一致，表明下载正确，否则下载错误，需要重新下载．
# 重新下载时，修改前两个参数指定要下载的文件，例如指定'1, 1'表示下载images_001.tar，另外，train.csv, train_clean.csv,
# train_attribution.csv, train_label_to_category.csv若已下载成功，可参考脚本注释进行适当修改

cd [DATASET_PATH]/train
# 对下载得到的500个tar文件解压
tar xvf images_xxx.tar # 000, 001, 002, 003, ...

python3 src/build_image_dataset.py \
--train_csv_path=[DATASET_PATH]/train/train.csv \
--train_clean_csv_path=[DATASET_PATH]/train/train_clean.csv \
--train_directory=[DATASET_PATH]/train/*/*/*/ \
--output_directory=[DATASET_PATH]/mindrecord/ \
--num_shards=128 \
--validation_split_size=0.2

# Oxford5k和Paris6k以及它们对应的ground truth文件下载
bash scripts/download_oxf.sh [DATASET_PATH]
bash scripts/download_paris.sh [DATASET_PATH]

预训练权重下载

# 下载ImageNet预训练的Resnet50权重和pca降维预训练转换矩阵
bash scripts/download_pretrained.sh

Ascend处理器环境运行

# 在delf_config.yaml中修改配置
# 添加训练数据集、预训练权重路径，例子：
traindata_path: "/home/gldv2/mindrecord/train.mindrecord000"
imagenet_checkpoint: "/home/delf/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5"

# 请确保前面步骤的预训练权重已经下载完毕！
# 运行训练示例，分为两阶段进行训练
# 微调阶段：
bash scripts/run_1p_train.sh tuning
# 注意力训练阶段：
# 修改[CHECKPOINT]为微调阶段得到的checkpoint文件路径
bash scripts/run_1p_train.sh attn [CHECKPOINT]
# example: bash scripts/run_1p_train.sh attn ./ckpt/checkpoint_delf_tuning-1_4989.ckpt

# 运行分布式训练示例
# 微调阶段
bash scripts/run_8p_train.sh [RANK_TABLE_FILE] tuning
# example: bash scripts/run_8p_train.sh /home/rank_table_8pcs.json tuning
# 注意力训练阶段
bash scripts/run_8p_train.sh [RANK_TABLE_FILE] attn [CHECKPOINT]
# example: bash scripts/run_8p_train.sh /home/rank_table_8pcs.json attn /home/delf/ckpt/checkpoint_delf_tuning-1_4989.ckpt

# 运行评估示例，参数IMAGES_PATH为数据集路径，GT_PATH为对应的ground truth文件路径
# 评估方式1：两张图片进行特征匹配。注意在list_images.txt中填写要进行匹配的图片名字。匹配结果保存为eval_match.png
bash scripts/run_eval_match_images.sh [IMAGES_PATH] [CHECKPOINT] [DEVICES]
# example: bash scripts/run_eval_match_images.sh /home/oxford5k_images/ /home/delf/ckpt/checkpoint_delf_attn-1_4989.ckpt 0
# 评估方式2：针对Oxford5k或Paris6k进行图像检索。检索结果保存为mAP.txt
bash scripts/run_eval_retrieval_images.sh [IMAGES_PATH] [GT_PATH] [CHECKPOINT] [DEVICES]
# example: bash scripts/run_eval_retrieval_images.sh /home/paris_images/ /home/paris_120310/ /home/delf/ckpt/checkpoint_delf_attn-1_4989.ckpt 01

# 导出MindIR模型到当前目录，文件名为DELF_MindIR.mindir，示例
python export.py --device_id=0 --ckpt_path=/home/delf/ckpt/...

# 运行推理示例
# 先下载好pca降维的相关转换矩阵
bash scripts/download_pretrained.sh
# 方式1：图片匹配。需要在list_images.txt中填写要进行匹配的图片名字，检索结果保存为test_match.png
# 参数GEN_MINDIR_PATH为导出的MindIR文件路径，IMAGES_PATH为评估数据集路径，GT_PATH为评估数据集对应的ground truth文件路径
bash scripts/run_infer_310_match_images.sh [GEN_MINDIR_PATH] [IMAGES_PATH] [DEVICE_ID]
# 方式2：图片检索, 检索结果保存为mAP.txt
bash scripts/run_infer_310_retrieval_images.sh [GEN_MINDIR_PATH] [IMAGES_PATH] [GT_PATH] [DEVICE_ID]

[注]以上参数所使用的路径均需为绝对路径

对于分布式训练，需要提前创建JSON格式的hccl配置文件。

请遵循以下链接中的说明：

https://gitee.com/mindspore/models/tree/master/utils/hccl_tools.

在 ModelArts 进行训练 (如果你想在modelarts上运行，可以参考以下文档 modelarts)

在 ModelArts 上使用8卡训练

# (1) 在网页上设置 "config_path='/path_to_code/imagenet_config.yaml'"
# (2) 执行a或者b
#       a. 在 imagenet_config.yaml 文件中设置 "enable_modelarts: True"
#          在 imagenet_config.yaml 文件中设置 "train_state: 'tuning'"或"train_state: 'attn'"
#          在 imagenet_config.yaml 文件中设置 "traindata_path: '/cache/data/mindrecord/train.mindrecord000'"
#          在 imagenet_config.yaml 文件中设置 "imagenet_checkpoint: '/cache/checkpoint_path/resnet50_weights_
#          tf_dim_ordering_tf_kernels_notop.h5'"
#          在 imagenet_config.yaml 文件中设置 "checkpoint_path: '/cache/checkpoint_path/...'"（attn阶段）
#          在 imagenet_config.yaml 文件中设置 其他参数
#       b. 在网页上设置 "enable_modelarts=True"
#          在网页上设置设置 "train_state='tuning'"或"train_state: 'attn'"
#          在网页上设置设置 "traindata_path='/cache/data/mindrecord/train.mindrecord000'"
#          在网页上设置设置 "imagenet_checkpoint='/cache/checkpoint_path/resnet50_weights_tf_dim_
#           ordering_tf_kernels_notop.h5'"
#          在网页上设置设置 "checkpoint_path='/cache/checkpoint_path/...'"（attn阶段）
#          在网页上设置设置 其他参数
# (3) 上传你的压缩数据集到 S3 桶上 (你也可以上传原始的数据集，但那可能会很慢。)
# (4) 在网页上设置你的代码路径为 "/path/delf"
# (5) 在网页上设置启动文件为 "train.py"
# (6) 在网页上设置"训练数据集"、"训练输出文件路径"、"checkpoint文件路径"、"作业日志路径"等
# (7) 创建训练作业

脚本说明

脚本及样例代码

.
└─ cv
   └─ delf
    ├── ascend310_infer                                      # 310推理源代码
    ├── model_utils                                          # model_utils工具包
    ├── scripts
    │   ├── download_gldv2.sh                                # 下载 Google Landmarks Dataset v2 的shell脚本
    │   ├── download_oxf.sh                                  # 下载 Oxford5k 的shell脚本
    │   ├── download_paris.sh                                # 下载 Paris6k 的shell脚本
    │   ├── download_pretrained.sh                           # 下载预训练权重的shell脚本
    │   ├── run_1p_train.sh                                  # 单卡训练的shell脚本
    │   ├── run_8p_train.sh                                  # 分布式训练的shell脚本
    │   ├── run_eval_match_images.sh                         # 图像匹配评估的shell脚本
    │   ├── run_eval_retrieval_images.sh                     # 图像检索评估的shell脚本
    │   ├── run_infer_310_match_images.sh                    # 310推理图像匹配的shell脚本
    │   └── run_infer_310_retrieval_images.sh                # 310推理图像检索的shell脚本
    ├── src
    │   ├── __init__.py                                      # 初始化文件
    │   ├── box_list_np.py                                   # 边界框定义
    │   ├── box_list_ops_np.py                               # 边界框操作定义
    │   ├── build_feature_dataset.py                         # 创建特征数据库
    │   ├── build_image_dataset.py                           # 创建训练数据集
    │   ├── convert_h5_to_weight.py                          # 转换h5权重文件为ckpt权重
    │   ├── data_augmentation_parallel.py                    # 训练数据预处理和加载
    │   ├── dataset.py                                       # 读取查询集、索引集和gt
    │   ├── delf_config.py                                   # 图像金字塔配置
    │   ├── delf_model.py                                    # delf网络定义
    │   ├── extract_feature.py                               # 提取图像特征
    │   ├── extract_utils_np.py                              # 提取图像特征工具（pca降维）
    │   ├── feature_io.py                                    # 读写图像特征
    │   ├── preprocess.py                                    # 310推理预处理脚本
    │   ├── postprocess.py                                   # 310推理后处理脚本
    │   ├── match_images.py                                  # 图像特征匹配
    │   └── perform_retrieval.py                             # 图像检索
    ├── list_images.txt                                      # 图像匹配配置文件
    ├── train.py                                             # 训练脚本
    ├── delf_config.yaml                                     # 训练配置文件
    ├── eval.py                                              # mAP评估脚本
    ├── export.py                                            # MINDIR模型导出脚本
    └── README_CN.md                                         # delf的文件描述

脚本参数

在delf_config.yaml中可以配置训练参数。

train_state: "attn"      # 训练阶段
seed: 0                  # 数据集shuffle种子
batch_size: 32           # 训练批次大小
start_iter: 1            # 训练开始时的步数，动态学习率根据此参数进行初始化
max_iters: 500000        # 训练最大步数
image_size: 321          # 数据预处理后图像大小
initial_lr: 0.005        # 学习率初始值
attention_loss_weight: 1.0  # 注意力比重，不推荐修改
traindata_path: "/gldv2/mindrecord/train.mindrecord000" # 训练数据集路径
keep_checkpoint_max: 1                                  # checkpoint最大保存数
imagenet_checkpoint: "/delf/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5"  # Resnet50预训练权重
checkpoint_path: "/delf/checkpoint_delf_tuning-1_4989.ckpt"  # 加载checkpoint路径
save_ckpt: "./ckpt/"                                         # 保存checkpoint路径
save_ckpt_step: 2000                                         # checkpoint保存间隔（单位：训练步数）
need_summary: False                                          # 是否需要使用summary collector
save_summary: "./summary_test"                               # summary和profier的保存路径
need_profile: False                                          # 是否需要进行性能分析

更多配置细节请参考脚本delf_config.yaml。

数据集下载

使用以下命令可以下载Google Landmarks Dataset v2数据集的训练集，并且自动提取它的clean子集（具体定义参考数据集中数据集对应的论文）转化为mindrecord格式：

bash scripts/download_gldv2.sh 0 499 [DATASET_PATH]
# example: bash scripts/download_gldv2.sh 0 499 /home/gldv2

目录以及说明：

.
└─ gldv2
    ├── train
    │   ├── 0                                                # 图片存放的文件夹，共15个
    │   ├── 1
    │   ├── ...
    │   ├── f
    │   ├── md5.images_000.txt                               # md5校验文件，共500个
    │   ├── md5.images_001.txt
    │   ├── ...
    │   ├── md5.images_499.txt
    │   ├── images_000.tar                                   # 图像压缩包，共500个
    │   ├── images_001.tar
    │   ├── ...
    │   ├── images_499.tar
    │   ├── train_attribution.csv                            # 保存图像标签属性等信息的文件
    │   ├── train_clean.csv
    │   ├── train.csv
    │   └── train_label_to_category.csv
    ├── mindrecord
    │   ├── relabeling.csv                                   # 图像标签文件
    │   ├── train.mindrecord000                              # mindrecord文件，，共128x2个
    │   ├── train.mindrecord000.db
    │   ├── train.mindrecord001
    │   ├── train.mindrecord001.db
    │   ├── ...
    │   ├── ...
    │   ├── train.mindrecord127
    │   └── train.mindrecord127.db

使用以下命令可以下载Oxford5k和Paris6k的数据集：

bash scripts/download_oxf.sh [DATASET_PATH]
bash scripts/download_paris.sh [DATASET_PATH]

目录以及说明：

.
└─ dataset
    ├── oxbuild_images                         # Oxford5k图像文件夹
    ├── gt_files_170407                        # Oxford5k的gt文件夹
    ├── paris6k_images                         # Paris6k图像文件夹
    └── paris_120310                           # Paris6k的gt文件夹

训练过程

训练

Ascend处理器环境运行

在训练前需要下载预训练模型用于迁移学习，执行以下命令：
```
# 下载ImageNet预训练的Resnet50权重和pca降维预训练转换矩阵
bash scripts/download_pretrained.sh
```
之后在delf_config中配置好预训练权重路径以及其它参数，路径要写为绝对路径：
```
imagenet_checkpoint: "/home/delf/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5"
```
为了让模型达到更好更快地收敛，delf模型需要进行两个阶段的训练，微调阶段和注意力训练阶段，微调阶段运行命令：
```
bash scripts/run_1p_train.sh tuning
```
注意力训练阶段运行命令：
```
bash scripts/run_1p_train.sh attn [CHECKPOINT]
# example: bash scripts/run_1p_train.sh attn ./ckpt/checkpoint_delf_tuning-1_4989.ckpt
```
需要注意的是注意力训练阶段要载入微调阶段已经训练好的checkpoint权重。

上述命令将在后台运行，您可以通过train_tuning.log或train_attn.log文件查看结果。

训练结束后，您可在默认脚本文件夹的ckpt目录下找到检查点文件。

可以通过log文件查看损失值：
```
epoch: 1 step: 39000, loss is 1.5936852
epoch: 1 step: 39100, loss is 1.5249567
...
```
也可以将delf_config.yaml中的need_summary设置为True，之后利用mindinsight工具打开默认脚本文件中生成的summary_test目录便可以看到可视化后的损失值收敛情况。

mindinsight的使用方式可参考一下链接说明：Mindinsight

分布式训练

Ascend处理器环境运行
```
# 微调阶段
bash scripts/run_8p_train.sh [RANK_TABLE_FILE] tuning
# 注意力训练阶段
bash scripts/run_8p_train.sh [RANK_TABLE_FILE] attn [CHECKPOINT]
```
上述shell脚本将在后台运行分布训练。您可以通过train_parallel[X]/.log文件查看结果，同样也可以通过summary查看收敛情况。

评估过程

评估

在执行评估前确保已经下载好pca降维预训练参数，并且其放置在默认脚本目录内（该过程在训练的下载预训练模型中已经完成）。其文件结构：

└─ delf
  └─ pca
    ├── mean.npy
    ├── pca_proj_mat.npy
    └── pca_variances.npy

有两种评估方式，分别为图像特征匹配和计算图像检索mAP。以下评估过程均需在Ascend环境下完成。

图像特征匹配

图像特征匹配是比较主观的一种评估方式，具体过程为：选择两张需要进行特征匹配的图片，使用训练好的DELF模型提取这两张图片的特征，然后在两张图像相似的特征之间进行连线。

首先是输入选择好的两张图片，在默认脚本目录下的list_images.txt中，输入图片去除后缀后的文件名，例如：
```
# vim list_images.txt
hertford_000056
oxford_000317
```
之后运行图像特征匹配脚本。参数为图像所在的文件夹路径，检查点路径，运行设备。请将路径设置为绝对全路径，例如/username/delf/ckpt/attn.ckpt。由于提取特征时，设备之间没有通信，因此可以多用几个设备进行特征提取，如DEVICES可以设置为03，代表使用device_id为0和3的设备进行特征提取：
```
bash scripts/run_eval_match_images.sh [IMAGES_PATH] [CHECKPOINT] [DEVICES]
```
上述命令将在后台打印日志，您可以通过extract_feature.log文件查看特征提取情况，通过match_images.log文件查看特征匹配情况。最后得到展示两个图像匹配特征的图片，它会保存为默认脚本目录下的eval_match.png。

注：对于分布式训练后评估，请将checkpoint_path设置为最后保存的检查点文件，如/username/delf/train_parallel0/ckpt/attn-1-4898.ckpt。
计算图像检索mAP

图像检索是在Oxford5k和Paris6k这两个数据集上做的，数据集把图片划分成了查询集和检索集，并且提供了查询集中图片对应的ground truth图片，利用这些文件可以计算出DELF模型“以图的内容检索相关图片”能力的评价指标mAP。

整个过程分为三步：提取特征，利用特征进行检索，计算mAP。这三个过程被整合在一个脚本中。

在运行以下命令之前，请将路径设置为绝对全路径，例如/username/delf/ckpt/attn.ckpt。
```
bash scripts/run_eval_retrieval_images.sh [IMAGES_PATH] [GT_PATH] [CHECKPOINT] [DEVICES]
```
上述命令将在后台打印日志，您可以通过extract_feature.log文件查看特征提取情况，通过./retrieval_dataset/process[X]/retrieval[X].log文件查看检索情况，通过calculate_mAP.log文件查看计算mAP的情况。计算得到的mAP结果会在脚本运行完成后打印在终端，也会保存到默认脚本目录下的mAP.txt文件中：
```
# cat mAP.txt
easy
  mAP=91.85
  mP@k[10 20 30 40 50 60 70 80 90] [91.07 83.47 78.89 74.85 71.79 69.44 67.51 65.84 64.65]
  mR@k[10 20 30 40 50 60 70 80 90] [61.07 75.89 83.06 86.52 89.47 91.94 93.47 94.39 95.32]
hard
  mAP=70.48
  mP@k[10 20 30 40 50 60 70 80 90] [78.18 67.34 60.84 56.26 52.63 49.89 47.63 45.85 44.29]
  mR@k[10 20 30 40 50 60 70 80 90] [46.36 59.41 66.55 71.33 74.33 76.97 79.62 81.93 82.98]
medium
  mAP=82.09
  mP@k[10 20 30 40 50 60 70 80 90] [89.36 84.21 78.45 74.3  70.04 66.04 62.77 59.81 57.25]
  mR@k[10 20 30 40 50 60 70 80 90] [40.62 55.01 63.5  69.98 74.58 77.81 80.85 82.99 84.58]
```
根据不同的标准设置了三种mAP指标。除此之外，mP表示平均准确率，mR表示平均召回率，每行左边中括号内的是检索次数，右边中括号内的是对应的精确率或召回率。

导出过程

导出

导出MindIR模型到当前目录，文件名为DELF_MindIR.mindir：

python export.py --device_id=0 --ckpt_path=/home/delf/ckpt/...

推理过程

推理前需参照 MindSpore C++推理部署指南进行环境变量设置。

推理

在进行推理之前我们需要先导出mindir模型。

在昇腾310上进行推理

这里与评估相似，同样提供了图像特征匹配和计算图像检索mAP的两个脚本。推理结果查看方式与评估类似。

# 方式1：图片匹配。同样在list_images.txt中填写要进行匹配的图片名字。
bash scripts/run_infer_310_match_images.sh [GEN_MINDIR_PATH] [IMAGES_PATH] [DEVICE_ID]
# 方式2：图片检索
bash scripts/run_infer_310_retrieval_images.sh [GEN_MINDIR_PATH] [IMAGES_PATH] [GT_PATH] [DEVICE_ID]

模型描述

性能

评估性能

Google-Landmarks-Dataset-v2上的DELF

参数	Ascend 910
模型版本	DELF
资源	Ascend 910
上传日期	2021-12-11
MindSpore版本	1.3.0
数据集	Google Landmarks Dataset v2
训练参数	steps=500000, batch_size = 32, lr=0.01（初始）
优化器	Momentum
损失函数	Softmax交叉熵
输出	概率
损失	微调阶段：0.50413 注意力训练阶段：1.34352
速度	微调阶段：171毫秒/步; 注意力训练阶段：156毫秒/步
总时长	微调阶段：23小时36.66分钟; 注意力训练阶段：21小时39.96分
微调检查点	2.89G (.ckpt文件)
推理模型	92.26M (.mindir文件)
脚本	delft脚本

推理性能

Oxford5k上的DELF

参数	Ascend
模型版本	DELF
资源	Ascend
上传日期	2021-12-11
MindSpore版本	1.3.0
数据集	5062张图像
batch_size	7
输出	feature和location
mAP	91.85

Paris6k上的DELF

参数	Ascend
模型版本	DELF
资源	Ascend
上传日期	2021-12-11
MindSpore版本	1.3.0
数据集	6412张图像
batch_size	7
输出	feature和location
mAP	87.87

随机情况说明

在data_augmentation_parallel.py中，设置了“shuffle”函数内的种子。

ModelZoo主页

请浏览官网主页。

12天前评论了任务 #IAXL8U [Question]: 安装代码仓文档安装环境后，提示环境报错：ImportError: numpy.core.multiarray failed to import

12天前评论了任务 #IBDDMU [Question]: 运行transformer模型报错rankTablePath invalid

12天前评论了任务 #IBR9KV [Question]: OctSqueeze 评估代码可能存在问题：解码过程直接使用了 GT 而非压缩比特流

17天前评论了 PR !5462 【轻量级 PR】：add official/cv/MobileNet/mobilenetv2.

24天前关闭了 PR #5460 usage: MobilenetV2 model in SAS disease screening

MindSpore/models

目录

DELF描述

模型架构

数据集

环境要求

快速入门

脚本说明

脚本及样例代码

脚本参数

数据集下载

训练过程

训练

分布式训练

评估过程

评估

导出过程

导出

推理过程

推理

模型描述

性能

评估性能

Google-Landmarks-Dataset-v2上的DELF

推理性能

Oxford5k上的DELF

Paris6k上的DELF

随机情况说明

ModelZoo主页

简介

发行版

贡献者 (601)

近期动态

MindSpore/models .gitee-modal { width: 500px !important; }

目录

DELF描述

模型架构

数据集

环境要求

快速入门

脚本说明

脚本及样例代码

脚本参数

数据集下载

训练过程

训练

分布式训练

评估过程

评估

导出过程

导出

推理过程

推理

模型描述

性能

评估性能

Google-Landmarks-Dataset-v2上的DELF

推理性能

Oxford5k上的DELF

Paris6k上的DELF

随机情况说明

ModelZoo主页

简介

发行版

开源评估指数源自 OSS-Compass 评估体系，评估体系围绕以下三个维度对项目展开评估：

贡献者 (601)

近期动态

搜索帮助

MindSpore/models