jittor-few-shot-clip-B

第四届计图人工智能挑战赛-jittor-[深度玄学]-开放域少样本视觉分类赛题B榜

环境安装

• pip install jittor==1.3.8.5
• pip install ftfy regex tqdm
• pip install scipy
• pip install scikit-learn
• pip install pandas
• pip install numpy
• pip install opencv-python==4.8.1.78
• pip install Pillow==10.1.0
• pip install torch==2.0.1+cu118

方案阐述

• 第一步借鉴InMap(Intra-Modal Proxy Learning for Zero-Shot Visual Categorization with CLIP )方案预测unseen类别, 有直接预测，预测出可见类别转第二步 Code link Paper link
• 第二步借鉴LP++（LP++: A Surprisingly Strong Linear Probe for Few-Shot CLIP）进行可见类别4-shot的学习,预测出狗的类别转第三步，不是狗的类别直接预测 Paper line
• 第三步根据上一步识别狗类别，重新用4-shot微调后的ConvnextV2模型重新识别

预训练模型

• Oepn CLIP [ViT-B/32](/lizheng167/fewclip-b/tree/master/ https:/openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt)
• Oepn CLIP ResNet101
• ConvNeXt-V2-B Github code HF镜像

InMap

• 文献里提到13个数据集rn50平均提升5个点，car类别提升7个点
• 需要CLIP提取图片和文本特征，无其它模型参数
• 需要对超参数进行细调
• 不需要训练

LP++

• 对线性层进一步优化，主要在图像特征和文本特征的权重上
• 文献中显示与Tip-Adapter-F相比，各有千秋，分数接近，4-shot表现中LP++在11个数据集平均分数为69.16±0.79, Tip-Adapter-F为68.71 ± 0.96
• 会生成中间文件，这个中间文件是一个常量矩阵，vit-b-32及rn101方案中这个文件大小均为1.6K

最终参数之和

• 第一种以加载参数算361M
  • ViT-B-32.pkl (151M) RN101.pkl (120M) + LP-ViT.pkl (0.2M) + LP-RN.pkl (0.2M) + convnextv2-base.pkl (89M)
• 第二种从使用次数算489M
  • InMap 用到ViT-B-32和RN101, LP也用到ViT-B-32和RN101，按道理应该乘以(151M+120M) * 2
  • 采用图像特征共享，因为图像特征都一样，建议用encode_image搜索， 代码出现两次
    • test.py代码355行image_features = vit_clip_model.encode_image(images)
    • test.py代码381行image_features = rn_clip_model.encode_image(images)
  • 文本没法共享，InMap用的全部类别，LP++用的374个类别，文本不一样，建议用encode_text搜索， 代码出现4次
  • 相当于在第一种基础上增加了vit-b-32及rn101在encode_text使用的参数辆（63.4M+63.4M）参考link

预处理(第一次需要,torch模型转换及4-shot训练集)

• python conver.py
• python process.py
  • 可以对训练集统计标签频率验证, process 42～43行代码如下
  • train = pd.read_csv(‘data/train.txt’,names=[‘name’,’label’])
  • print(train[‘label’].value_counts())

训练

• bash train.sh
  • train_data 4-shot训练集路径及标签（提供在data）
  • val_data 验证集路径及标签 (提供在data)
  • seen_class 可见图片类别374类 ( 自行补充)
  • img_dir 数据集路径 (自行补充)
  • pretrain_vit_model Open预训练模型 [ViT-B/32](/lizheng167/fewclip-b/tree/master/ https:/openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt) （自行补充, conver.py文件转换）
  • pretrain_rn_model Open预训练模型 ResNet101（自行补充, conver.py文件转换）
  • pretrain_convnext_model ImageNet-1K模型 ConvNeXt-V2-B （自行补充, conver.py文件转换）
  • save_lp_vit_model LP++ 通过CLIP Vit-b-32抽取特征微调后模型权重路径 （无需补充，需要路径名称, 建议默认）
  • save_lp_vit_vecer 中间文件 （无需补充，需要路径名称, 建议默认）
  • save_lp_rn_model LP++ 通过clip RN101抽取特征微调后模型权重路径 （无需补充，需要路径名称, 建议默认）
  • save_lp_rn_vecer 中间文件 （无需补充，需要路径名称, 建议默认）
  • save_convnext_model 4-shot dog图像分类微调后的模型 (无需补充，需要路径名称, 建议默认）
  • batch_size=32 （默认,不建议改，影响较大）

测试

• bash test.sh
  • test_img 测试图片路径（自行补充）
  • all_class 全部类别文件 (自行补充）
  • pretrain_vit_model Open预训练模型 [ViT-B/32](/lizheng167/fewclip-b/tree/master/ https:/openaipublic.azureedge.net/clip/models/40d365715913c9da98579312b702a82c18be219cc2a73407c4526f58eba950af/ViT-B-32.pt) （自行补充,conver.py文件转换）
  • pretrain_rn_model Open预训练模型 ResNet101（自行补充, conver.py文件转换）
  • pretrain_convnext_model
  • vit_alpha_vec
  • vit_LP
  • rn_alpha_vec
  • rn_LP
  • out 最终文件

说明

• conver.py需要手动转化，注意下载到模型在上一层目录, 转换后模型在当前目录，下载模型路径可以自行修改，在4，10，16行，转话后的目录默认，如有必要改，相应脚本路径也需要保持一致，默认是相对路径
• 训练显卡>16G,测试显卡>22G(团队训练显卡3090 24G,测试A6000 48G)

收获

• 使用Jittor实现InMap,Tip Adapter,LP++,Convnext,Convnextv2, RMT, MMLA