总结 | 百度Paddle轻量级目标检测挑战赛

Posted 2021-04-01 百度校园

点击菜单栏“粉丝福利”

拿小度，兑手机！

作者： 李珺 来源：人工智能学习圈

竞赛任务为轻量级目标检测，在获取准确的目标检测BBOX时，要兼顾模型推理速度。提交形式以提交推理代码由官方进行推理，计算精度和耗时。笔者为炮灰，只获得了挑战赛第10名，在此仅仅是总结一下比赛经验。

评分标准

这是官方对于模型的评分标准，通过分析以及参考其他队伍的提交结果来看，MAdds要比精度对于评分更重要。MAdds降低较多分数，比mAP提升0.4带来的收益要高的多，而MAdds降低要比提升精度更容易。

排行榜

1

官方Baseline

官方给出两个Baseline ，起初用的ShuffleNet-V2，到了中后期，官方又放出了一个mAP更高的MobileNet-V3的Baseline，我们是从中后期参加的，直接用上了MobileNet。 在比赛进行的同时，官方也在不断提升Baseline的精度，也算是刺激的大家创意吧。

2

关于AI Studio

百度的比赛嘛，肯定离不开Paddle，官方非常友善的提供了算力，只要报名参赛的，每天登陆AI Studio签到，都会送8小时算力，Tesla V100（16G）！！心不心动！！ PS：在上面配环境跑别的代码也是可以的（狗头保命） 当然就比赛而言，每天8小时算力是不够的，所以签到5天送40小时～～hhhhh，当然除此之外我们也在自己实验室的服务器上配了Paddle环境，也方面我们改代码。

先说下AI Studio平台，平台搭建了Notebook可以在线调代码，只需要上传文件和数据就可以用在线跑比赛。此外，还可以直接从官方fork代码和数据集，免去我们下载数据的烦恼，毕竟COCO的数据量也不小。

AI Studio

3

方案

由于本身经验不足，调参水平一般，提升mAP基本就靠运气，而且小模型的mAP确实很难提上去，所以，与其纠结于提升0.几的AP，不如把MAdds降下来！！baseline的MAdds就是600多，所以，先降到160再说～

模型压缩有什么好办法呢？量化训练、剪枝，还有改模型结构。首先是量化训练，我们很惊喜的发现，Paddle实现了量化训练和剪枝！！可以直接用！！

一个函数解决！降参数变为8位，一下子参数降下去了，那么问题来了，Paddle提供了这么方便的接口，那肯定大家伙都会很方便的用。这就失去了量化训练的优势了，而剪枝。。。说实话小模型本身能力就不高，剪枝可操作的空间更是小，那么只能考虑模型结构了。

改进MobileNet-V3，在看baseline的时候发现，Paddle封装的真的好，卷积函数里直接实现了分组卷积、空洞卷积、深度可分离等等，有点心动～学一手Paddle

说到改进的MobileNet-V3，那当然是MixNet，引入多种尺寸的卷积核，能增大感受野提高精度，将原本的33卷积换成四种尺寸（3*3，5*5，7*7，99）的卷积，数量分别是4:2:1:1，但是同时出现了问题，虽然能提了一点点精度，但是参数量增加了很多。所以，为了减少一部分参数，想到了SqueezeNet的Fire Module，参考一下将9*9的卷积替换成了1*1，因为9*9实在太大。参数量降了一点，精度也还没差多少！

这里直接在官方封装的卷积源码上改了一下，贴一下自己实现的Mix卷积核，写的烂求轻喷～

至此，模型改进方案也是看的文献少，没有什么点子了，而且MAdds降到了167，再低也是按160算，所以没必要了，就调参吧，硬着头皮上，得到了个第10.。。。

4

总结

这次炮灰经历，最大的教训就是发现了自己调参能力差、文献阅读量差的问题，也是为之后比赛提供了经验，之后能有一个更科学合理的参赛流程，也不会胡乱搞一通。

而且！第十名有官方的1000元京东卡～嘻嘻，美滋滋，开学用它买了口罩～

运气贼好～抓住了最后一个获奖机会

最后，发自内心的想安利一波，百度的比赛值得参加一下呢

原文链接:https://zhuanlan.zhihu.com/p/147050073