1.[CV - 像分类 - 论文复现] 深度学习之像分类经典模型 - MMClassification（二）- 初步认识
2.如何学习视频识别技术?
3.经典网络结构搜索算法 SPOS，快速完成模型压缩
4.从安防业务视角看国产视觉芯片 AX620A

[CV - 像分类 - 论文复现] 深度学习之像分类经典模型 - MMClassification（二）- 初步认识

       本文将深入探讨深度学习中图像分类的经典模型，从理论到实践，以期复现实用的图像分类算法。

       首先回顾上一期内容，了解图像分类的mozilla firefox 源码基本框架。输入为图像，经过深度学习模型（如卷积神经网络CNN或自注意机制Transformer）自动提取特征，然后通过全连接层（MLP）加上Softmax分类器，最终输出类别标签。

       代码实现方面，项目源码位于github.com/open-mmlab/m...。以@OpenMMLab为代表的代码框架，包括配置文件、数据集、模型、训练策略和运行设置等组件，为实现图像分类任务提供了全面的支持。

       具体而言，配置文件包含模型、数据集等参数设置；数据集格式支持多种，例如ImageNet和自定义CustomDataset；模型包含经典的ResNet、VGG、MobileNet系列、DenseNet等；训练策略定义优化器、学习率等参数；运行设置控制模型运行方式；工具包则提供了训练、测试、协同管理软件源码推理等接口。

       综上，深度学习图像分类算法主要包括CNN机制、Transformer机制、数据增强方法、激活函数选择和细粒度分类技术。从AlexNet到ResNet、MobileNet、DenseNet、RepVGG等模型，再到ViT、MobileViT、DeiT等新兴模型，展示了深度学习在图像分类领域的不断进步。

       在具体实现中，使用工具包中的train.py、text.py等命令，可实现单张GPU或多张GPU的训练、测试和推理操作。数据增强方法如Mixup、Cutout和CutMix，以及激活函数SiLU等，有助于提升模型性能。

       图像分类的应用广泛，例如生物医学图像分类，用于识别COVID-。调度中心源码是什么通过对这些模型的复现与应用，可以更好地理解图像分类技术，推动相关领域的发展。

如何学习视频识别技术?

       了解视频识别技术，推荐您关注MMAction2。该框架已经复现了多个经典论文的算法，如TSN, C3D, I3D, TSM, SlowFast, NonLocal等。阅读论文时，同步实践MMAction2中的算法，借助其提供的全面实验功能，如训练数据下载、标注文件处理、视频采帧、图像增强和模型训练等，降低研究门槛。MMAction2还附有多样化demo，如摄像头动作识别和长视频多标签识别。

       深入学习，阅读经典论文代码，重点关注于mmaction.models中的模型骨架（backbone）结构。许多论文基于这些结构进行改进，以更好地提取视频的时空特征。此外，了解基于弱监督学习的Omini-sourced等方法，通过MMAction2源码进行深入探索。

       掌握MMAction2的精品波段指标公式源码使用，可访问colab.research.google.com...获取教程，了解如何使用MMAction2 model zoo中的模型进行推理，并在新数据集上进行微调。尝试将模型应用于您的数据集，并通过调整超参数来优化模型性能。

       MMAction2支持多模态动作识别与时序动作检测任务，并在开发时空动作检测任务相关的模型。对这些领域感兴趣的开发者，可加入MMAction2和OpenMMLab的开源项目，与社区成员交流，共同提升。

经典网络结构搜索算法 SPOS，快速完成模型压缩

       Single Path One Shot（SPOS）算法是一种高效、低成本的神经网络结构搜索方法，相较于传统的基于强化学习、进化算法等方法，SPOS算法显著降低了搜索成本。MMRazor是一个深度学习模型压缩算法库，支持包括网络结构搜索、剪枝、蒸馏在内的主流技术方向，为OpenMMLab其他算法库提供即插即用、可自由组合的模型压缩算法，使得模型轻量化更为简便快捷。本文将对SPOS算法原理、搜索空间、辨别真假溯源码MMRazor以及在MMRazor中的实现进行详细的解读，内容干货满满。

       1. SPOS算法介绍

       1.1 原理介绍

       SPOS算法在ECCV年提出，针对传统NAS算法中网络权重耦合度过高的问题，SPOS提出将网络权重的训练与网络结构的搜索进行解耦。首先训练超网络的权重，然后从超网络中搜索最优的子网络架构，最后对最优子网进行从头开始的训练。整个运行过程分为三个步骤：

       超网权重训练：使用单路径候选网络构成的超网络，通过优化每层的选择会构建一条单路径子网络。通过优化整个超网的权重完成整个优化过程。

       网络结构搜索：从训练好的超网中通过进化算法找到最优的子网络。

       重训练子网：在找到最优子网络后，从头开始训练。

       1.2 搜索空间介绍

       SPOS论文中提到的搜索空间丰富，包括choiceblock搜索、通道搜索和混合精度量化搜索。当前官方源码中仅提供了choiceblock搜索部分。SPOS的搜索空间结构如下表所示，CB代表choiceblock，共包含个CB。CB内部操作主要受ShuffleNetv2启发，提供了四种操作。

       2. MMRazor简介

       MMRazor是一个深度学习模型压缩算法库，支持网络结构搜索、剪枝、蒸馏等主流技术方向，为OpenMMLab其他算法库提供即插即用、可自由组合的模型压缩算法，实现模型轻量化更为简便快捷。MMRazor的整体设计思想与OpenMMLab保持一致，支持多种算法库。其组织架构分为组件层、算法层和应用层。

       3. MMRazor中超网的构建方式

       神经网络结构搜索算法中，超网的实现至关重要。算法框架至少需要具备以下功能：搜索对象是可变化的，如SPOS中的不同候选操作；搜索算法能够指定选择某个候选操作的功能。MMRazor通过引入Mutable和Mutator对象实现上述功能：通过PlaceHolder提供占位符功能，用户定义的可变位置，在调用Mutator中的convert方法后转化为Mutable对象。通过这种方式使超网变成可搜索对象Mutable，后续与Mutator进一步完成NAS任务。

       4. SPOS在MMRazor中的实现

       4.1 环境安装

       安装教程请参考：[MMRazor文档链接]。以cuda.1、pytorch1.9为例，首先安装cuda、torch、mmcv包，其中mmcv-full表示采用预编译包的安装方式，还需注意对应cuda以及torch的版本。mmcv安装详细方式以及cuda、torch、mmcv版本对应关系可见：[mmcv文档链接]。以torch1.9为例进行环境安装。

       安装MMRazor推荐使用MIM安装或直接使用pip安装：pip install MMRazor。也可以通过源码安装。

       4.2 Config介绍

       由于训练SPOS分为三个阶段，对应三个config：

       以spos_supernet_shufflenetv2_8xb_in1k.py为例，config中主要有model、algorithm、mutator三个对象，其中algorithm中包含architecture对象，architecture对象中则包含model。在初始化algorithm的过程中，algorithm会初始化architecture，并根据是否传入mutator、pruner、distiller来决定是否初始化这三个对象。

       4.3 超网权重训练（Pre-training）

       完成以上准备工作后，进行第一个阶段训练：超网权重训练。这个过程需要不断地从超网中采样子网，迭代优化子网参数，最终得到优化后的超网。训练命令如下所示，SPOS中超网训练通过随机采样的方式优化网络，每次前向训练一个batch的过程中会随机采样一个子网络。

       4.4 网络结构搜索（Evolution search）

       此过程初始化候选池，从预训练好的SuperNet中得到Subnet在测试集上的结果，根据得分更新候选池的Topk并执行Mutation和CrossOver操作，得到最优子网的网络结构。训练命令如下所示，这里需要用到上一步超网权重的路径$STEP1_CKPT。具体Searcher选择的是EvolutionSearcher。

       4.5 重训练子网（Retrain）

       在上一步通过进化算法得到最优子网结构后，将其对应的子网络从头进行训练，得到最终的可用网络模型。训练命令如下所示，需要将algorithm.mutable_cfg参数传入，该参数为上一步得到的yaml文件位置。训练过程与训练普通分类网络完全一致。

       5. 总结

       本文详细解读了经典的网络结构搜索算法SPOS及其在MMRazor中的实现流程。SPOS算法能够与各类代码库搭配使用，如与MMDetection库的配合，实现便捷的DetNAS算法。MMRazor不仅包含NAS相关算法，还有蒸馏和剪枝等功能。欢迎体验，如对您有帮助，欢迎点个star。更多内容可查看[相关链接]。

从安防业务视角看国产视觉芯片 AXA

       国产视觉芯片AXA在安防业务中的性能评估

       作者@白牛指出，尽管国产化浪潮已席卷安防行业多年，但芯片替换过程并非一帆风顺。在"雪亮工程"等项目推动下，芯片的实际性能对集成商至关重要。本文将通过业务部门的视角，测试并评价AXA在模型设计、推理和SDK等方面的能力，提供测试源码和运行日志，为芯片选型提供参考。

       AXA由爱芯元智推出，配置4核Cortex-A7 CPU和3.6Tops@int8 NPU，int4模式下可提升至.4 Tops。测试中，我们使用Maix-III AXera-Pi开发板，基于AXA，配备全功能模块，便于测试。通过megpeak工具，我们对CPU性能进行了测量，优化后的代码执行时间下限可通过计算数据进行预估。

       后续，我们评估了NPU性能，AXA支持1_1模式，我们针对安防场景进行了测试，结果需乘以2与同类芯片比较。针对种onnx算子，我们进行了单算子测试，转换和运行了个模型，发现能效比存在差异。

       在模型测试中，AXA支持OpenMMLab算法的个固定尺寸模型，其中个模型成功转换。尽管存在部分算子缺失，但resnet系列模型在AXA上的运行速度提升明显，显示出高性价比。

       SDK测评部分，我们关注视频解码和图像处理。AXA在视频解码上稳定在fps，而图像处理算子虽不全面，但人脸识别这类应用可能需要调整实现。总结来看，AXA在某些方面仍有提升空间，期待爱芯元智的下一代产品AXN在性能优化上的表现。