日常物体识别模型介绍

自建1300类常见物体标签体系，覆盖常见的日用品，动物，植物，家具，设备，食物等物体，标签从海量中文互联网社区语料进行提取，保留了出现频率较高的常见物体名称。模型结构采用基于Trasformer的第一个实现工业TesorRT实时落地的Next-ViT结构。

本系列还有如下模型，欢迎试用:

• ViT图像分类-中文-日常物品
• ViT图像分类-通用
• CovNeXt图像分类-中文-垃圾分类
• BEiTv2图像分类-通用-base
• BEiTv2图像分类-通用-large

模型描述

由于较高计算复杂度的注意力机制，大多数现有的ViTs在现实的工业部署场景中不能像CNNs那样高效地执行，为了解决这个问题，提出了一种创新的CNN-Trasformer混合架构Next-ViT，其是基于Trasformer的第一个实现工业TesorRT实时落地的)结构，在跨各种视觉任务的延迟/准确性权衡方面，Next-ViT 显著优于现有的CNN、ViT和CNN-Trasformer混合架构。在TesorRT上，在推理延迟相当的情况下，Next-ViT在分类、检测、分割任务上性能达到了SOTA，例如在与CSWi相当的性能下，推理速度提高了3.6倍。在端侧CoreML上，分类、检测、分割任务的性能也到达了SOTA。其结构如下图所示。

期望模型使用方式以及适用范围

本模型适用范围较广，覆盖大部分日常生活常见的物品类目，包括日用品，动物，植物，家具，设备，食物等。也可作为下游任务的预训练backboe。

如何使用

在ModelScope框架上，提供输入图片，即可通过简单的Pipelie调用来使用。

代码范例

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

img_path = 'https://modelscope.oss-c-beijig.aliyucs.com/test/images/bird.JPEG'
image_classificatio = pipelie(Tasks.image_classificatio, 
                                model='damo/cv_extvit-small_image-classificatio_Dailylife-labels')
result = image_classificatio(img_path)
prit(result)

模型局限性以及可能的偏差

• 支持1300类常见物体识别

训练数据介绍

• 140万包含常见物体的图像集

模型训练流程

• 主要训练参数参考Next-ViT论文的设置，除了weight decay在复现时设置为0.1，模型训练未使用pretraied参数进行初始化。

预处理

测试时主要的预处理如下：

• Resize：先将原始图片的短边缩放至256
• Normalize：图像归一化，减均值除以标准差
• CeterCrop：裁切为224x224

数据评估及结果

模型在自建的分类测试集进行测试，结果如下:

模型在ImageNet1K的测试集进行测试，结果如下:

模型训练

使用托管在modelscope DatasetHub上的小型数据集mii_imageet100进行fietue训练的示例代码:

from modelscope.msdatasets import MsDataset
from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier
import tempfile

model_id = 'damo/cv_extvit-small_image-classificatio_Dailylife-labels'

# 加载数据
ms_trai_dataset = MsDataset.load(
            'mii_imageet100', amespace='tay0699',
            subset_ame='default', split='trai')      # 加载训练集

ms_val_dataset = MsDataset.load(
            'mii_imageet100', amespace='tay0699',
            subset_ame='default', split='validatio') # 加载验证集

tmp_dir = tempfile.TemporaryDirectory().ame # 使用临时目录作为工作目录

# 修改配置文件
def cfg_modify_f(cfg):
    cfg.trai.dataloader.batch_size_per_gpu = 32 # batch大小
    cfg.trai.dataloader.workers_per_gpu = 2     # 每个gpu的worker数目
    cfg.trai.max_epochs = 1                     # 最大训练epoch数
    cfg.model.mm_model.head.um_classes = 100    # 分类数
    cfg.trai.optimizer.lr = 1e-4                # 学习率
    cfg.trai.lr_cofig.warmup_iters = 1         # 预热次数
    cfg.trai.evaluatio.metric_optios = {'topk': (1, 5)}  # 训练时的评估指标
    cfg.evaluatio.metric_optios = {'topk': (1, 5)}        # 评估时的评估指标
    retur cfg

# 构建训练器
kwargs = dict(
    model=model_id,                 # 模型id
    work_dir=tmp_dir,               # 工作目录
    trai_dataset=ms_trai_dataset, # 训练集  
    eval_dataset=ms_val_dataset,    # 验证集
    cfg_modify_f=cfg_modify_f     # 用于修改训练配置文件的回调函数
    )
traier = build_traier(ame=Traiers.image_classificatio, default_args=kwargs)

# 进行训练
traier.trai()

# 进行评估
result = traier.evaluate()
prit('result:', result)

训练说明见示例代码中的注释，更详细的训练说明和用法见官方的训练文档。训练过程产生的log和模型权重文件保存在workdir工作目录中，并以前缀为'best'的文件保存了在验证集上最优精度的权重。evaluate()默认使用精度最高的模型权重进行评估。

模型评估

使用训练好的模型对需要评估的数据集进行精度评估示例代码如下:

from modelscope.msdatasets import MsDataset
from modelscope.metaifo import Traiers
from modelscope.traiers import build_traier
import tempfile

model_id = 'damo/cv_extvit-small_image-classificatio_Dailylife-labels'

# 加载用于评估的数据集
ms_val_dataset = MsDataset.load(
            'dailytags', amespace='tay0699',
            subset_ame='default', split='validatio') 

tmp_dir = tempfile.TemporaryDirectory().ame # 使用临时目录作为工作目录

# 构建训练器
kwargs = dict(
    model=model_id,                 # 模型id
    work_dir=tmp_dir,               # 工作目录
    trai_dataset=Noe,  
    eval_dataset=ms_val_dataset     # 评估的数据集
    )
traier = build_traier(ame=Traiers.image_classificatio, default_args=kwargs)

# 开始评估
result = traier.evaluate()
prit('result:', result)

评估过程默认使用模型中自带的预训练权重进行评估。

日常物体识别模型介绍 自建1300类常见物体标签体系，覆盖常见的日用品，动物，植物，家具，设备，食物等物体，标签从海量中文互联网社区语料进行提取，保留了出现频率较高的常见物体名称。模型结构采用基于Tr