2020中国华录杯·数据湖算法大赛-定向算法赛（吸烟打电话检测）决赛第二名项目代码

## 2020中国华录杯·数据湖算法大赛—定向算法赛（吸烟打电话检测）第二名 * 队伍名称：一个人要像一支队伍 * 成绩： * 初赛A榜：99.84 / 第二名 （两周周冠军） * 初赛B榜：84.09 / 第七名 * 复赛A榜：99.15 / 第五名 * 复赛B榜：93.13 / 第二名 * 决赛答辩：第二名 * 比赛地址：https://dev.ehualu.com/dev/home/competition/competitionDetail?competitionId=3 ### 一、算法简介 数据处理时，观察很多手机拍摄高清图片分辨率很大，因为我机器不大好，IO比较耗时，为了加速训练，先预先等比缩放保存好； 然后合并初赛的数据，进行一个清洗、去重； 最后通过定制化的CutMix进行数据预增强，先生成好部分图片。 主要训练方式基础模型是EfficientNet-B4，使用了对抗学习的预训练模型，使用了Ranger优化器，使用了SGDR的学习率衰减策略，然后通过监测验证集的mAP分数来选择最好的模型，使用early stop停止训练。在训练时还加入了梯度截断等策略。 最后使用了模型自蒸馏的训练方案。具体训练过程是，第一步先把训练集随机划分为5折，分别训练5个模型，然后生成对应的训练集预测标签；第二步重新训练5折模型，此时训练集所使用的标签为原始标签和蒸馏标签的加权和，分别训练5个模型。最后尝试不同的模型组合，选择A榜最高的作为最终提交方案。 ### 二、数据处理 使用了初赛发布的两批数据混合在一起，没有使用外部数据。 训练数据处理过程： 1. 先按最大边等比缩放到600尺寸；（参考脚本data/resize.py） 2. 使用DuplicateCleaner扫描重复图片，删除； 3. 人工大致清洗一遍，修正标注错误的； 4. 使用自定义的CutMix生成部分增强数据；（参考脚本data/addData.py） 5. 统一重命名，命名方式：aug_开头的代表cutmix预生成的，其余图片v1开头的代表初赛第一批数据，v2开头的代表初赛第二批数据，v3开头的代表复赛数据，后面的数字对应原始的图片名，可以查看验证； 复赛A榜测试数据处理： 在群里官方人员回答允许的情况下，对复赛A榜测试数据中方向偏左90度或者偏右90度的手动转正，其余未作任何修改。 在此之外，训练时代码里数据增强使用了等比填充、随机旋转、水平翻转、对比度饱和度变化、噪声和模糊等，具体实现和参数见代码。 ### 三、算法结构 #### 3.1 网络结构 模型选择了EfficientNet-B4，考虑到图片有很多比较模糊的，选择了使用对抗学习的预训练模型。然后修改了输出神经元的数量。其他未作修改，尝试了增加全连接层、Dropout层、剪枝、SE模块、CBAM模块，均未有明显提升。 使用的模型项目来自于[EfficientNet-PyTorch](https://github.com/lukemelas/EfficientNet-PyTorch)，[预训练模型下载地址](https://github.com/lukemelas/EfficientNet-PyTorch/releases/download/1.0/adv-efficientnet-b4-44fb3a87.pth) #### 3.2 loss部分 使用了交叉熵损失，在蒸馏部分直接修改了训练标签，未修改loss。尝试过Focal loss，但是没有明显提升，可能跟数据类型有关，因为咱们不同类别相关性很大。 #### 3.3 优化器 初赛使用的Adam，复赛最终用的是比较新的Ranger。 ### 四、算法运行说明 #### 4.1 训练说明 第一步，先训练原始5折模型，先进入目录/HLB_partB_docker/code，然后确认config.py中的use_distill为0，最后运行train.py即可。训练完得到5个模型，位于save/下，移动到save/model1/下； 第二步，运行makeDistill.py脚本，通过第一步训练的五折模型，生成训练集的预测标签，输出文件为save/result_distill.py; 第三步，修改config.py中的use_distill为1，运行train.py，训练完得到5个模型，位于save/下，移动到save/model2/下； 第四步，尝试不同的模型融合方案（赛制只允许最多三个模型融合），复制三个模型到save/merge/下，然后运行predict.py，得到save/result_merge.json。目前尝试的最高分为复赛a榜99.15，组合方式为1个蒸馏前模型+2个蒸馏后模型。选择A榜得分最高的融合方案作为最终提交方案。 #### 4.2 测试说明 复现A榜成绩，直接进入/root/hualucup目录，直接运行python predict.py即可. 获取B榜结果，运行python predict.py /notebooks/test即可，输出为/notebooks/results/hualucup-13183875717.json。 ### 五、算法性能 我的机器比较杂，可分为三个机器： 机器A: 一台2070super的windows机器； 机器B: 一个1060的ubuntu机器； 机器C: 租的2070的ubuntu机器。 训练时，第一轮五折模型，机器A训练两折（第1、3折），机器B训练一折（第4折），机器C训练两折（第2、5折）；因为1060比较慢，训练完一折另外两个差不多训练完两折。第二轮蒸馏训练五折模型也一样在三个机器上训练。 为了保持代码的一致性，虽然2070有8G显存，但是1060只有6G显存，所以我设置的训练batchsize为3，刚好占用6G显存（如果有更好的机器，加大batchsize应该还有提分空间）。推理是在1060的机器上进行的，因为官方用P4复现，而1060性能低于P4，所以我只要保证1060不超时P4就不会超时。1060上的推理显存占用情况如下，在2G显存左右. 平均推理时间，对于复赛A榜1710张，在1060上单卡推理总计耗时285秒（包括加载模型的时间、读取数据的时间和模型推理时间）。平均耗时为285/1710 = 0.167s，小于200ms。