scripts/train_depth_main.py

   1 #!/usr/bin/env python
   2
   3 import sys
   4 import os
   5 import cv2
   6 import argparse
   7 import datetime
   8 import numpy as np
   9
  10 ################################
  11 from pytorch_jacinto_ai.xnn.utils import str2bool
  12 parser = argparse.ArgumentParser()
  13 parser.add_argument('--save_path', type=str, default=None, help='checkpoint save folder')
  14 parser.add_argument('--gpus', type=int, nargs='*', default=None, help='Base learning rate')
  15 parser.add_argument('--batch_size', type=int, default=None, help='Batch size')
  16 parser.add_argument('--lr', type=float, default=None, help='Base learning rate')
  17 parser.add_argument('--lr_clips', type=float, default=None, help='Learning rate for clips in PAct2')
  18 parser.add_argument('--lr_calib', type=float, default=None, help='Learning rate for calibration')
  19 parser.add_argument('--model_name', type=str, default=None, help='model name')
  20 parser.add_argument('--dataset_name', type=str, default=None, help='dataset name')
  21 parser.add_argument('--data_path', type=str, default=None, help='data path')
  22 parser.add_argument('--epoch_size', type=float, default=None, help='epoch size. using a fraction will reduce the data used for one epoch')
  23 parser.add_argument('--epochs', type=int, default=None, help='number of epochs')
  24 parser.add_argument('--warmup_epochs', type=int, default=None, help='number of epochs for the learning rate to increase and reach base value')
  25 parser.add_argument('--milestones', type=int, nargs='*', default=None, help='change lr at these milestones')
  26 parser.add_argument('--img_resize', type=int, nargs=2, default=None, help='img_resize size. for training this will be modified according to rand_scale')
  27 parser.add_argument('--rand_scale', type=float, nargs=2, default=None, help='random scale factors for training')
  28 parser.add_argument('--rand_crop', type=int, nargs=2, default=None, help='random crop for training')
  29 parser.add_argument('--output_size', type=int, nargs=2, default=None, help='output size of the evaluation - prediction/groundtruth. this is not used while training as it blows up memory requirement')
  30 parser.add_argument('--pretrained', type=str, default=None, help='pretrained model')
  31 parser.add_argument('--resume', type=str, default=None, help='resume an unfinished training from this model')
  32 parser.add_argument('--phase', type=str, default=None, help='training/calibration/validation')
  33 parser.add_argument('--evaluate_start', type=str2bool, default=None, help='Whether to run validation before the training')
  34 #
  35 parser.add_argument('--quantize', type=str2bool, default=None, help='Quantize the model')
  36 parser.add_argument('--histogram_range', type=str2bool, default=None, help='run only evaluation and no training')
  37 parser.add_argument('--per_channel_q', type=str2bool, default=None, help='run only evaluation and no training')
  38 parser.add_argument('--bias_calibration', type=str2bool, default=None, help='run only evaluation and no training')
  39 parser.add_argument('--bitwidth_weights', type=int, default=None, help='bitwidth for weight quantization')
  40 parser.add_argument('--bitwidth_activations', type=int, default=None, help='bitwidth for activation quantization')
  41 #
  42 parser.add_argument('--freeze_bn', type=str2bool, default=None, help='freeze the bn stats or not')
  43 cmds = parser.parse_args()
  44
  45 ################################
  46 # taken care first, since this has to be done before importing pytorch
  47 if 'gpus' in vars(cmds):
  48     value = getattr(cmds, 'gpus')
  49     if value is not None:
  50         os.environ["CUDA_VISIBLE_DEVICES"] = ','.join([str(v) for v in value])
  51 #
  52
  53 ################################
  54 # to avoid hangs in data loader with multi threads
  55 # this was observed after using cv2 image processing functions
  56 # https://github.com/pytorch/pytorch/issues/1355
  57 cv2.setNumThreads(0)
  58
  59 ################################
  60 #import of torch should be after CUDA_VISIBLE_DEVICES for it to take effect
  61 import torch
  62 from pytorch_jacinto_ai.engine import train_pixel2pixel
  63
  64 # Create the parser and set default arguments
  65 args = train_pixel2pixel.get_config()
  66
  67 ################################
  68 #Modify arguments
  69 args.model_name = 'deeplabv3lite_mobilenetv2_tv' #'deeplabv3lite_mobilenetv2_tv' #'fpn_pixel2pixel_aspp_mobilenetv2_tv' #'fpn_pixel2pixel_aspp_resnet50'
  70
  71 args.dataset_name = 'kitti_depth' #'kitti_depth' #'kitti_depth' #'kitti_depth2'
  72
  73 args.data_path = './data/datasets/kitti/kitti_depth/data'
  74 args.split_files = (args.data_path+'/train.txt', args.data_path+'/val.txt')
  75
  76 #args.save_path = './data/checkpoints'
  77
  78 args.pretrained = './data/modelzoo/semantic_segmentation/cityscapes/deeplabv3lite-mobilenetv2/cityscapes_segmentation_deeplabv3lite-mobilenetv2_2019-06-26-08-59-32.pth'
  79                                     # 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth'
  80                                     # './data/modelzoo/pretrained/pytorch/imagenet_classification/ericsun99/MobileNet-V2-Pytorch/mobilenetv2_Top1_71.806_Top2_90.410.pth.tar'
  81                                     # 'https://download.pytorch.org/models/resnet50-19c8e357.pth'
  82
  83 args.model_config.input_channels = (3,)      # [3,3]
  84 args.model_config.output_type = ['depth']
  85 args.model_config.output_channels = [1]
  86 args.model_config.output_range = [(0,128)] # important note: set this output_range parameter in the inference script as well
  87                                            # this is an important difference from the semantic segmentation script.
  88
  89 args.losses = [['supervised_loss', 'scale_loss', 'supervised_error_var']] #[['supervised_loss', 'scale_loss']]
  90 args.loss_mult_factors = [[0.125, 0.125, 4.0]]
  91
  92 args.metrics = [['supervised_relative_error_x100']] #[['supervised_root_mean_squared_error']]
  93
  94 args.solver = 'adam'                    #'sgd' #'adam'
  95 args.epochs = 250                       #300
  96 args.epoch_size = 0.125                 #0 #0.25
  97 args.scheduler = 'step'                 #'poly' #'step' #'cosine'
  98 args.multistep_gamma = 0.25             #only for step scheduler
  99 args.milestones = (100, 200)            #only for step scheduler
 100 args.polystep_power = 0.9               #only for poly scheduler
 101 args.iter_size = 1                      #2
 102
 103 args.lr = 4e-4                          #4e-4 #1e-4
 104 args.batch_size = 32                    #8 #12 #16 #32 #64
 105 args.weight_decay = 1e-4                #4e-5 #1e-5
 106
 107 args.img_resize = (384, 768)            #(256,512) #(512,512) #(512,1024) #(1024, 2048)
 108 args.output_size = (374, 1242)          #(512, 1024) #(720, 1280) #target output size for evaluation
 109
 110 args.transform_rotation = 5             #0  #rotation degrees
 111
 112 args.workers = 12                       # more workers may speedup
 113
 114 #args.phase = 'validation'
 115 #args.quantize = True
 116 #args.print_model = True
 117 #args.generate_onnx = False
 118 #args.run_soon = False
 119 #args.evaluate_start = False
 120
 121 #args.quantize = True
 122 #args.per_channel_q = True
 123 #args.phase = 'validation'
 124 #args.parallel_model=False
 125
 126 #args.viz_colormap = 'plasma'  # colormap for tensorboard: 'rainbow', 'plasma', 'magma', 'bone'
 127
 128 # defining date from outside can help to write multiple pahses into the same folder
 129 args.date = datetime.datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
 130
 131
 132 ################################
 133 # set other args
 134 for key in vars(cmds):
 135     if key == 'gpus':
 136         pass # already taken care above, since this has to be done before importing pytorch
 137     elif hasattr(args, key):
 138         value = getattr(cmds, key)
 139         if value != 'None' and value is not None:
 140             setattr(args, key, value)
 141     else:
 142         assert False, f'invalid argument {key}'
 143 #
 144
 145 ################################
 146 # Run the given phase
 147 train_pixel2pixel.main(args)
 148
 149 ################################
 150 # In addition run a quantization aware training, starting from the trained model
 151 if 'training' in args.phase and (not args.quantize):
 152     save_path = train_pixel2pixel.get_save_path(args)
 153     args.pretrained = os.path.join(save_path, 'model_best.pth.tar') if (args.epochs>0) else args.pretrained
 154     args.phase = 'training_quantize'
 155     args.quantize = True
 156     args.lr = 1e-5
 157     args.epochs = 25
 158     # quantized training will use only one GPU in the engine - so reduce the batch_size
 159     num_gpus = len(str(os.environ["CUDA_VISIBLE_DEVICES"]).split(',')) if ("CUDA_VISIBLE_DEVICES" in os.environ) else None
 160     args.batch_size = (args.batch_size//num_gpus) if (num_gpus is not None) else args.batch_size
 161     train_pixel2pixel.main(args)
 162 #
 163
 164 ################################
 165 # In addition run a separate validation
 166 if 'training' in args.phase or 'calibration' in args.phase:
 167     save_path = train_pixel2pixel.get_save_path(args)
 168     args.pretrained = os.path.join(save_path, 'model_best.pth.tar')
 169     args.phase = 'validation'
 170     args.quantize = True
 171     train_pixel2pixel.main(args)
 172 #