图像分类 (image classification) 是视觉人工智能的最基础应用，目前 TAO 模型训练工具支持 resnet、vgg、mobilenet_v1、mobilenet_v2、googlenet、cspdarknet、darknet、efficientnet_b0、efficientnet_b1、cspdarknet_tiny 等 10 种神经网络，其中 resnet、vgg、darknet、cspdarknet 还有不同结构层数的区分。

在 TAO 启动器中只用 “classification” 这个任务指令，去面对上面所列出的十多种网络结构，其关键处就是结合“配置文件”的协助，因此这个配置文件的设置组是 TAO 工具的核心所在，也是本文一开始要花时间说明的部分。

在 cv_samples 下面的 classification 项目，是 TAO 工具的图像分类模型训练的标准范例，里面提供 classification.ipynb 执行脚本与 specs 目录下两个 .cfg 配置文件，基本上在执行脚本里只需要修改一些路径的设定就行，其余细节都在配置文件里面进行调整，包括所选择的神经网络种类与结构。

这个项目以 PascalVOC 2012 数据集作为训练源，与 TAO 所支持的格式并不相同，因此在训练之前还需要进行格式的转换。还好这里的转换比较简单，只要将图像分别存放在以“类别”所命名的目录下就可以，同时分割成训练与校验两个不同用途的数据集，在脚本里透过一段简单的 Python 代码就能完成，并没有什么难度。

最后在训练之前，可以选择是否启动 “迁移学习” 的功能？在这个实验中也会示范这中间所得到的精度差异，让大家直接体验到迁移学习所带来的的好处。

以下就将几个执行重点提出来说明，协助大家可以轻松地执行。

配置文件内容

TAO 的 CLI 指令集只使用一个 classification 去面对所有的图形分类应用，其余的工作就全部交给配置文件去处理。在图像分类的配置文件里，主要有以下三个配置组：

1、model_config：存放神经网络种类、结构（层数）与特性的内容，以下列出比较重要的部分：

(1) arch：网络名称，可使用所有已支持的网络，包括 resnet、vgg、mobilenet_v1、mobilenet_v2、googlenet、cspdarknet、darknet、efficientnet_b0、efficientnet_b1、cspdarknet_tiny 等；

(2) n_layer：有些网络有多种结构层，例如 resnet有10/18/34/50/101、vgg 有16/19、darknet 有 19/53、cspdarknet 有 19/53 等；

其余参数都按照配置文件里面所设定的值，因为 NGC 提供的预训练模型是按照这些参数所训练的，能在迁移学习过程中得到比较好的效果。

2、train_config：执行训练时所需要参考的

(1) train_dataset_path: 训练用数据集的位置，需要输入在容器内的完整路径

(2) val_dataset_path: 校验用数据集的位置，需要输入在容器内的完整路径

(3) pretrained_model_path: 预训练模型位置，需要输入在容器内的完整路径

(4) batch_size_per_gpu：请根据GPU显存大小进行调整

(5) n_epochs：训练的回合数

(6) n_workers：CPU的并行线程数，请根据实际CPU核数量进行调整

其余参数清先安装范例所提供的设置。

3、eval_config：评估模型时所需要用到的参数，需要输入在容器内的完整路径

(1) eval_dataset_path: 测试用数据集路径，与前面相同

(2) model_path: 在前面训练模型过程中所生成的 .tlt 模型文件中，挑选效果最好的一个模型来进行评估，通常最后一个的效果会最好。这里的 “resnet_080.tlt” 是因为训练回合数为 80。

其余参数请先按照范例所提供的设置。

以上关于路径部分的设置，只要遵循脚本一开始 “0. Set up env variables and map drives” 的配置规则，文件里基本上不需要做修改。其他参数的定义与设定值，请访问 https://docs.nvidia.com/tao/tao-toolkit/text/image_classification.html#model-config 有完整的说明。

数据集格式转换与分配

TAO 支持的图像分类数据格式，是以“分类名”作为路径名，将所有该类的图像都放置到分类名目录之下，例如有 20 个分类的数据集，就会有 20 个分类目录。

本实验使用 PascalVOC 的 VOCtrainval_11-May-2012.tar (1.9GB) 数据集，可以用脚本提供的链接，也可以在https://pan.baidu.com/s/1JhnBCRi32xblhSSWFmF5aA (密码: gg95) 下载压缩文件。

请按照脚本的数据集处理过程，包括放置路径与解压缩的指令。由于这个数据集的格式并不符合 TAO 的要求，因此脚本中使用一段 Python 代码来进行转换，详细内容请自行阅读代码，其主要功能就是将下图左边 VOC 路径结构转换成右边符合 TAO 要求的结构，存放在 “formated” 目录下。

接着再将 “formated” 的数据，随机分割成 train、val与test 三大类存放到 “split” 目录下，作为后面执行训练、校验与测试时所需要的数据路径。

动迁移学习功能

TAO 的模型训练继承 TLT 的迁移学习功能，只要在配置文件中的“train_config” 配置组里，指定好 “pretrained_model_path:” 的路径就可以，如果不想启用这个功能，只要在这个参数前面用 “#” 去关闭就行。

在 NGC 提供 300 多个预训练模型，我们需要挑选合适的模型来协助执行迁移学习，这部分的下载需要使用 NGC 的指令来操作，在脚本中已经提供完整的安装步骤，只要执行命令块就行，然后用以下指令去下载所选的模型：

这里配合所使用的网络种类，挑选 nvidia/tao/pretrained_classification:resnet18 作为本次的预训练模型，文件大小在 80MB 左右。

下图左方是这个实验中，关闭迁移学习功能所训练出来的模型，经过下面评估步骤所测算出来的结果，下图右方则是在基于 NGC 下载的预训练模型基础上，利用迁移学习功能所训练出来的模型效果，总体来说得到的精准度提升还是很明显的。

但如果是缺乏合适预训练模型的状况下，也不能硬是挑选不合适的模型来做迁移学习，可能得到的效果会更差。

执行模型训练

当前面的准备工作都做到位之后，这个步骤就是水到渠成。执行训练所耗费的时间就只跟 GPU 卡的总体计算资源有关系，如果您的设备有一张以上 GPU 计算卡的话，可以透过 TAO 指令以下参数，去调整可用的计算资源：

--gpus  [N]：指定要调用的 GPU 卡数量；

--gpu_index 编号1 [编号2...]

例如设备上有 2 片 GPU 卡时，想要全部用上的话就直接用 “--gpus 2” 参数进行调用；如果设备上有 4 片 GPU 计算卡，想要指定调用 0 号与 3 号这两张卡的时，就用 “--gpus 2--gpu_index 0 3” 参数，就能精准调用指定的GPU来进行训练。

在这个图像分类实验中，我们以 NVIDIA RTX2070 与 RTX3070 进行测试，这两张计算卡都具有 8GB 显存。在固定回合数为 80、batch_size_per_gpu 为 64 的条件下，所耗费的训练时间如下：

单GPU/3070-8G : 52分19秒

单GPU/2070-8G : 62分44秒

双GPU/3070+2070 : 38分03秒

修剪模型

这个步骤的目的，是要在维持足够精准度的前提下缩小模型的尺寸，越小的模型会消耗更少的计算资源，特别是内存与显存。

这对于计算资源充沛的计算设备来说，所体现的差异并不明显，但是对于计算资源相对吃紧的边缘设备来说，就有非常大的影响，甚至影响推理识别的性能，因此请自行决定是否需要执行这个步骤。

这里的要剪裁的对象是已训练好的模型，而不是从网络结构层进行融合处理，最简单的方法就是调整 “-pth（阈值）” ，在精确度与模型大小之间取得平衡，调整的值越高就会得到越小的模型，但精准度会受到比较大的损失，这就需要经过不断尝试去调节出满足要求的模型。

以这个 classification 项目为例，在 80 回合中训练的模型大小为 87.7MB，通常最后一回合训练的模型精确度会最好，因此用 resnet_080.tlt 模型进行修剪测试：

-pth=0.6：修剪后生成大小为38.5MB的resnet18_nopool_bn_pruned.tlt

-pth=0.3：修剪后生成大小为44.2MB的resnet18_nopool_bn_pruned.tlt

至于修剪后模型对精确度产生怎样的影响？就需继续往下执行“再训练”之后，看看评估的效果如何！

模型再训练

经过修剪的模型并不能立即使用，而是作为“再训练”的预训练模型，再次利用迁移学习的技巧，以前面的数据集进行模型再训练的工作，唯一不一样的地方是这次使用的配置文件为 classification_retrain_spec.cfg，这个配置内容与前面的 classification_spec.cfg 只有三个差异的地方：

1. 在 model_config 设置组少了两个 “freeze_blocks” 设置；

2. 在 train_config 设置组的 “pretrained_model_path” 换成前面修剪过的模型；

3. 在 eval_config 设置组的 “model_path” 换成修剪后重新训练的模型

继续往下执行 “7. Retrain pruned models” 与 “8. Testing the model” 两个步骤，就能得到修剪过模型的精确度评估结果。

从上面的比较表中可以看出，这个剪裁的方式对模型文件大小的影响是很明显的，但精确度的损失并不是太大，所以这个剪裁应视为有效果。

本实验结语

这个范例主要让大家体会并熟悉 TAO 的配置文件与执行流程，事实上 TAO 所提供的范例几乎都是一样的流程，后面还有导出模型、INT8 优化、生成 TensorRT 引擎的步骤，我们结合在后面的物件检测范例中进行说明。