English | 简体中文

Video-Swin-Transformer视频分类模型

内容

• 模型简介
• 数据准备
• 模型训练
• 模型测试
• 模型推理
• 参考论文

模型简介

Video-Swin-Transformer是基于Swin Transformer的视频分类模型，其利用了Swin Transformer的多尺度建模和高效局部注意力特性，目前在Kinetics-400数据集上达到了SOTA精度，超过了同为transformer结构的TimeSformer模型。

数据准备

K400数据下载及准备请参考Kinetics-400数据准备

模型训练

Kinetics-400数据集训练

下载并添加预训练模型

1. 下载图像预训练模型SwinTransformer_imagenet.pdparams作为Backbone初始化参数，或通过wget命令下载

   wget https://videotag.bj.bcebos.com/PaddleVideo-release2.2/SwinTransformer_imagenet.pdparams

2. 打开configs/recognition/videoswin/videoswin_k400_videos.yaml，将下载好的权重存放路径填写到下方pretrained:之后

   MODEL:
       framework: "RecognizerTransformer"
       backbone:
           name: "SwinTransformer3D"
           pretrained: 将路径填写到此处

开始训练

• Kinetics400数据集使用8卡训练，训练方式的启动命令如下:

  # videos数据格式
  python3.7 -u -B -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7"  --log_dir=log_videoswin main.py --validate -c configs/recognition/videoswin/videoswin_k400_videos.yaml

• 开启amp混合精度训练，可加速训练过程，其训练启动命令如下：

  export FLAGS_conv_workspace_size_limit=800 # MB
  export FLAGS_cudnn_exhaustive_search=1
  export FLAGS_cudnn_batchnorm_spatial_persistent=1
  # videos数据格式
  python3.7 -u -B -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7"  --log_dir=log_videoswin main.py --amp --validate -c configs/recognition/videoswin/videoswin_k400_videos.yaml

• 另外您可以自定义修改参数配置，以达到在不同的数据集上进行训练/测试的目的，建议配置文件的命名方式为模型_数据集名称_文件格式_数据格式_采样方式.yaml，参数用法请参考config。

模型测试

• Video-Swin-Transformer模型在训练时同步进行验证，您可以通过在训练日志中查找关键字best获取模型测试精度，日志示例如下:

  Already save the best model (top1 acc)0.7258

• 由于Video-Swin-Transformer模型测试模式的采样方式是速度稍慢但精度高一些的UniformCrop，与训练过程中验证模式采用的CenterCrop不同，所以训练日志中记录的验证指标topk Acc不代表最终的测试分数，因此在训练完成之后可以用测试模式对最好的模型进行测试获取最终的指标，命令如下：

  python3.7 -B -m paddle.distributed.launch --gpus="0,1,2,3,4,5,6,7"  --log_dir=log_videoswin  main.py  --test -c configs/recognition/videoswin/videoswin_k400_videos.yaml -w "output/VideoSwin/VideoSwin_best.pdparams"

  当测试配置采用如下参数时，在Kinetics-400的validation数据集上的测试指标如下：

  backbone	Sampling method	num_seg	target_size	Top-1	checkpoints
  Swin Transformer	UniformCrop	32	224	82.40	SwinTransformer_k400.pdparams

模型推理

导出inference模型

python3.7 tools/export_model.py -c configs/recognition/videoswin/videoswin_k400_videos.yaml \
                                -p data/VideoSwin_k400.pdparams \
                                -o inference/VideoSwin

上述命令将生成预测所需的模型结构文件VideoSwin.pdmodel和模型权重文件VideoSwin.pdiparams。

• 各参数含义可参考模型推理方法

使用预测引擎推理

python3.7 tools/predict.py --input_file data/example.avi \
                           --config configs/recognition/videoswin/videoswin_k400_videos.yaml \
                           --model_file inference/VideoSwin/VideoSwin.pdmodel \
                           --params_file inference/VideoSwin/VideoSwin.pdiparams \
                           --use_gpu=True \
                           --use_tensorrt=False

输出示例如下:

Current video file: data/example.avi
        top-1 class: 5
        top-1 score: 0.9999829530715942

可以看到，使用在Kinetics-400上训练好的Video-Swin-Transformer模型对data/example.avi进行预测，输出的top1类别id为5，置信度为0.99。通过查阅类别id与名称对应表data/k400/Kinetics-400_label_list.txt，可知预测类别名称为archery。

参考论文

• Video Swin Transformer, Ze Liu, Jia Ning, Yue Cao, Yixuan Wei