【ModelScope】从入门到进阶

计算机视觉任务

任务（Task）中文	任务（Task）英文	任务说明
单标签图像分类	image-classification	对图像中的不同特征根据类别进行区分
通用图像分割	image-segmentation	识别图像主体与图像背景进行分离
文字检测	ocr-detection	将图像中的文字检测出来并返回检测点坐标位置
人像美肤	skin-retouching	对图像中的人像皮肤进行细节美化
风格迁移	image-style-transfer	对图像或视频的色彩风格进行另一种风格转化
图像翻译	image-to-image-translation	将一张图片上的文字翻译成目标语言并生成新的图片
以图生图	image-to-image-generation	根据输入图像生成新的类似图像
搜索推荐	image-search	根据输入图像进行范围匹配
审核评估	image-evaluation	对图像进行解析并自动给出一个评估信息
视频处理	video-processing	对视频信息进行自动运算处理
视频检测	video-detection	对视频信息进行内容解析
视频分割	video-segmentation	对视频信息进行背景和主体分离
视频生成	video-generation	对视频进行解析匹配视频信息进行生成
视频编辑	video-editing	对视频进行解析转化为可编辑状态
视频表征	video-embedding	对视频特征进行多模态匹配
视频检索	video-search	对视频解析根据规则提取部分信息
视频审核评估	video-evaluation	根据规则对视频解析并给出评估结果
视频文本识别	video-ocr	对视频中的文字内容进行识别
视频到文本	video-captioning	将视频中的音频转化为文本信息
三维重建	3d-reconstruction	对三维模型解析并重新构建
三维识别	3d-recognition	对三维模型进行识别并进行标注
三维编辑	3d-editing	对三维模型解析转化为可编辑状态
驱动交互	3d-driven	对三维模型解析转为为动态效果
渲染呈现	3d-rendering	对三维模型进行渲染并以图像展示
虚拟试衣	virtual-try-on	给定模特图片和衣服图片，合成模特穿上给定衣服的图片
文字识别	ocr-recognition	将图像中的文字识别出来并返回文本内容
人脸检测	face-detection	对图像中的人脸进行检测并返回人脸坐标位置
人脸识别	face-recognition	对矫正对齐后的人脸图像提取特征向量
人体检测	human-detection	对图像中的人体关键点进行检测并返回关键点标签与坐标位置
人物交互关系	human-object-interaction	对图像中的肢体关键点和物品进行检测和识别对坐标信息进行处理
人脸生成	face-image-generation	对图像中的人脸进行区域位置检测并生成虚拟人脸
多标签图像分类	image-multilabel-classification	解析图像特征支持多个类别区分
通用目标检测	image-object-detection	对输入图像中的较通用物体定位及类别判断
目标检测-自动驾驶场景(行人、车辆、交通标注等)	image-object-detection-autopilot	对自动驾驶中的场景进行目标检测，图像中的人、车辆及交通信息等进行实时解析并进行标注（行人、车辆、交通标注）
目标检测-自动驾驶场景(车道线)	image-object-detection-laneline	对自动驾驶中的场景进行目标检测，图像中的人、车辆及交通信息等进行实时解析并进行标注（车道线）
人像抠图	portrait-matting	对输入的图像将人体部分抠出并对背景进行透明化处理
人像增强	image-portrait-enhancement	对图像中的人像主体进行细节增强
图像超分辨	image-super-resolution	对图像进行倍数放大且不丢失画面质量
图像上色	image-colorization	对黑白图像进行区域解析并对其进行类别上色
图像颜色增强	image-color-enhancement	对图像中色彩值进行解析并对其进行规则处理
图像降噪	image-denoising	对图像中的噪点进行处理降低
人像卡通化	image-portrait-stylization	对输入的图像进行卡通化处理，实现风格变化
图像表征	image-embedding	对输入图像特征进行多模态匹配
直播商品类目识别	live-category	实时解析识别直播画面中的商品类别进行信息展示
行为识别	action-recognition	对视频中的动作行为进行识别并返回类型
短视频内容分类	video-category	解析短视频语义进行场景分类
目标跟踪及重识别	reid-and-tracking	可对图片和视频进行目标识别可重复识别
增强/虚拟现实	ar-vr	对vr图像信息进行画面增强
人体2D关键点	body-2d-keypoints	检测图像中人体2D关键点位置
商品图片特征	product-retrieval-embedding	对商品图像进行表征向量提取
视频场景分割	movie-scene-segmentation	输入一段长视频，算法将其分割成不同的场景子视频
人脸表情识别	facial-expression-recognition	识别图像中人脸的表情
手部2D关键点	hand-2d-keypoints	检测图像中手部21点关键点坐标
视频摘要	video-summarization	输入一段长视频，算法找出其中的一些关键片段进行拼接，输出拼接的短的摘要视频
人脸2D关键点	face-2d-keypoints	检测图像中人脸106点关键点坐标和人脸朝向姿态角
行人重识别	image-reid-person	输入包含人的图片，输出图片的特征向量
3D人体关键点	body-3d-keypoints	检测视频中人体姿态的3D关键点坐标
视频单目标跟踪	video-single-object-tracking	输入视频和第一帧目标位置，在所有视频帧中预测该目标位置
行为检测	action-detection	检测视频中发生的行为动作，并给出动作的时空位置
人群密度估计	crowd-counting	输入一张图片，输出图片内有多少人
卡证检测矫正	card-detection	检测输入图片中是否存在卡证，并定位其角点，根据角点将卡证矫正为正视图
全身关键点检测	human-wholebody-keypoint	检测图片中全身关键点坐标，包括人脸关键点，骨骼关键点、脚步关键点和手势关键点，共计133点
视频目标检测	video-object-detection	任务的输入输出类型及数据格式
语义分割	semantic-segmentation	图像显著性，预测图中每个像素的重要程度
人体美型	image-body-reshaping	给定一张人物图像（半身或全身），无需任何额外输入，端到端地实现对人物身体区域（肩部，腰部，腿部等）的自动化美型处理
目标检测-自动驾驶场景	image-object-detection-auto	检测自动驾驶场景图片的目标，包括车辆，行人等
图像填充	image-inpainting	输入一张图片；同时用户根据该图片，自定义地可以进行在线绘制任意形状的mask；最终输出恢复、补全后的图像
视频修复	video-inpainting	对视频中指定的区域和帧范围，进行视频修复
2D手势语义识别	hand-static	对图片中的人手动作的语义进行识别
人脸情绪识别	face-emotion	对图片中的人的情绪进行识别
人脸人体人手三合一检测	face-human-hand-detection	对图片中的人脸、人体、人手进行检测
通用商品分割	product-segmentation	对图片中的商品进行分割
商品显著性分割	shop-segmentation	对商品图像进行显著性分割
文本指导的图像分割	text-driven-segmentation	根据文本对图像进行分割
动物识别	animal-recognition	对图片中的动物主体的进行识别
视频文本表征	video-multi-modal-embedding	输入任意视频和文本pair，输出相应的视频-文本pair特征，和相应得分
自然语言引导的视频摘要	language-guided-video-summarization	输入一段长视频和N句英文描述，算法找出其中和英文描述相关的一些关键片段进行拼接，输出拼接的短的摘要视频
文本指导的视频目标分割	referring-video-object-segmentation	通过用户输入的文本描述（英文）从输入视频中分割出指定的物体，支持一次性输入两个物体描述
万物识别	general-recognition	对图片中的物体主体的进行识别

模型加载

加载模型需要两个关键信息：1.模型id 2.模型版本

from modelscope.models import Model

model = Model.from_pretrained('damo/nlp_structbert_word-segmentation_chinese-base', revision='v1.0.1')

 如果想下载大本地指定目录的话，使用下面这行代码

from modelscope.hub.snapshot_download import snapshot_download

model_dir = snapshot_download('damo/nlp_structbert_word-segmentation_chinese-base', cache_dir='path/to/local/dir')

 模型推理

使用pipeline方法加载模型进行推理

pipeline构造函数

task: 任务名称，必填
model: 模型名称或模型实例，可选。不填时使用该任务默认模型
preprocessor: 预处理器实例，可选。不填时使用模型配置文件中的预处理器
device: 运行设备，可选。值为cpu, cuda, gpu, gpu:X or cuda:X，默认gpu
device_map: 模型参数到运行设备的映射，可选，不可与device同时配置。值为auto, balance, balanced_low_0, sequential或映射dict

pipeline调用时参数

batch_size: 批量推理的mini-batch大小，可选。不传时不进行批量推理

pipeline基本用法

创建pipeline对象

from modelscope.pipelines import pipeline
word_segmentation = pipeline('word-segmentation')

 输入推理数据

input_str = '今天天气不错，适合出去游玩'
print(word_segmentation(input_str))

结果

# 输出
{'output': '今天 天气 不错 ， 适合 出去 游玩'}

输入多条推理数据

 pipeline对象也支持传入多个样本列表输入，返回对应输出列表，每个元素对应输入样本的返回结果。多条文本的推理方式是输入data在pipeline内部用迭代器单条处理后append到同一个返回List中。

inputs =  ['今天天气不错，适合出去游玩','这本书很好，建议你看看']
print(word_segmentation(inputs))

# 输出
[{'output': ['今天', '天气', '不错', '，', '适合', '出去', '游玩']}, {'output': ['这', '本', '书', '很', '好', '，', '建议', '你', '看看']}]

 模型训练

 

ModelScope的模型训练步骤如下：

1. 使用MsDataset加载数据集
2. 编写cfg_modify_fn方法，按需修改部分参数
3. 构造trainer，开始训练
4. 【训练后步骤】进行模型评估
5. 【训练后步骤】使用训练后的模型进行推理

 PyTorch模型的训练使用EpochBasedTrainer（及其子类），该类会根据配置文件实例化模型、预处理器、优化器、指标等模块。因此训练模型的重点在于修改出合理的配置，其中用到的各组件都是ModelScope的标准模块。

 trainer的重要构造参数

model: 模型id、模型本地路径或模型实例，必填
cfg_file: 额外的配置文件，可选。如果填写，trainer会使用这个配置进行训练
cfg_modify_fn: 读取配置后trainer调用这个回调方法修改配置项，可选。如果不传就使用原始配置
train_dataset: 训练用的数据集，调用训练时必传
eval_dataset: 评估用的数据集，调用评估时必传
optimizers: 自定义的(optimizer、lr_scheduler)，可选，如果传入就不会使用配置文件中的
seed: 随机种子
launcher: 支持使用pytorch/mpi/slurm开启分布式训练
device: 训练用设备。可选，值为cpu, gpu, gpu:0, cuda:0等，默认gpu

 模型训练示例

文本分类

# structbert的backbone，该模型没有有效分类器，因此使用前需要finetune（微调）
model_id = 'damo/nlp_structbert_backbone_base_std'

使用MsDataset加载数据集

加载官方数据集

from modelscope.msdatasets import MsDataset
# 载入训练数据，数据格式类似于{'sentence1': 'some content here', 'sentence2': 'other content here', 'label': 0}
train_dataset = MsDataset.load('clue',  subset_name='afqmc', split='train')
# 载入评估数据
eval_dataset = MsDataset.load('clue',  subset_name='afqmc', split='validation')

 加载自己的数据集

from modelscope.msdatasets import MsDataset 
# 载入训练数据 
train_dataset = MsDataset.load('/path/to/my_train_file.txt') 
# 载入评估数据 
eval_dataset = MsDataset.load('/path/to/my_eval_file.txt')

更多方法参考：数据集使用指南

编写cfg_modify_fn方法，按需修改部分参数

 建议首先查看模型的配置文件，并查看需要额外修改的参数：

from modelscope.utils.hub import read_config
# 上面的model_id
config = read_config(model_id)
print(config.pretty_text)

 一般的配置文件中，在训练时需要修改的参数一般分为：

1.预处理器参数

# 使用该模型适配的预处理器sen-sim-tokenizer
cfg.preprocessor.type='sen-sim-tokenizer'
# 预处理器输入的dict中，句子1的key，参考上文加载数据集中的afqmc的格式
cfg.preprocessor.first_sequence = 'sentence1'
# 预处理器输入的dict中，句子2的key
cfg.preprocessor.second_sequence = 'sentence2'
# 预处理器输入的dict中，label的key
cfg.preprocessor.label = 'label'
# 预处理器需要的label和id的mapping
cfg.preprocessor.label2id = {'0': 0, '1': 1}

 某些模态中，预处理的参数需要根据数据集修改（比如NLP一般需要修改，而CV一般不需要修改），后续可以查看ModelCard或各任务最佳实践中各任务训练的详细描述。

2.模型参数

# num_labels是该模型分类数
cfg.model.num_labels = 2

 3.任务参数

# 修改task类型为'text-classification'
cfg.task = 'text-classification'
# 修改pipeline名称，用于后续推理
cfg.pipeline = {'type': 'text-classification'}

 4.训练参数

# 设置训练epoch
cfg.train.max_epochs = 5
# 工作目录
cfg.train.work_dir = '/tmp'
# 设置batch_size
cfg.train.dataloader.batch_size_per_gpu = 32
cfg.evaluation.dataloader.batch_size_per_gpu = 32
# 设置learning rate
cfg.train.optimizer.lr = 2e-5
# 设置LinearLR的total_iters，这项和数据集大小相关
cfg.train.lr_scheduler.total_iters = int(len(train_dataset) / cfg.train.dataloader.batch_size_per_gpu) * cfg.train.max_epochs
# 设置评估metric类
cfg.evaluation.metrics = 'seq-cls-metric'

 使用cfg_modify_fn将上述配置修改应用起来：

# 这个方法在trainer读取configuration.json后立即执行，先于构造模型、预处理器等组件
def cfg_modify_fn(cfg):
  cfg.preprocessor.type='sen-sim-tokenizer'
  cfg.preprocessor.first_sequence = 'sentence1'
  cfg.preprocessor.second_sequence = 'sentence2'
  cfg.preprocessor.label = 'label'
  cfg.preprocessor.label2id = {'0': 0, '1': 1}
  cfg.model.num_labels = 2
  cfg.task = 'text-classification'
  cfg.pipeline = {'type': 'text-classification'}
  cfg.train.max_epochs = 5
  cfg.train.work_dir = '/tmp'
  cfg.train.dataloader.batch_size_per_gpu = 32
  cfg.evaluation.dataloader.batch_size_per_gpu = 32
  cfg.train.dataloader.workers_per_gpu = 0
  cfg.evaluation.dataloader.workers_per_gpu = 0
  cfg.train.optimizer.lr = 2e-5
  cfg.train.lr_scheduler.total_iters = int(len(train_dataset) / cfg.train.dataloader.batch_size_per_gpu) * cfg.train.max_epochs
  cfg.evaluation.metrics = 'seq-cls-metric'
  # 注意这里需要返回修改后的cfg
  return cfg

构造trainer，开始训练

首先，配置训练所需参数：

from modelscope.trainers import build_trainer

# 配置参数
kwargs = dict(
        model=model_id,
        train_dataset=train_dataset,
        eval_dataset=eval_dataset,
        cfg_modify_fn=cfg_modify_fn)
trainer = build_trainer(default_args=kwargs)
trainer.train()

 需要注意，数据由trainer从dataloader取数据的时候调用预处理器进行处理。

进行模型评估

可选地，在训练后可以进行额外数据集的评估。用户可以单独调用evaluate方法对模型进行评估：

from modelscope.msdatasets import MsDataset
# 载入评估数据
eval_dataset = MsDataset.load('clue',  subset_name='afqmc', split='validation')

from modelscope.trainers import build_trainer

# 配置参数
kwargs = dict(
        # 由于使用的模型训练后的目录，因此不需要传入cfg_modify_fn
        model='/tmp/output',
        eval_dataset=eval_dataset)
trainer = build_trainer(default_args=kwargs)
trainer.evaluate()

 或者，也可以调用predict方法将预测结果保存下来，以供后续打榜：

from modelscope.msdatasets import MsDataset
import numpy as np

# 载入评估数据
eval_dataset = MsDataset.load('clue', subset_name='afqmc', split='test').to_hf_dataset()

from modelscope.trainers import build_trainer


def cfg_modify_fn(cfg):
    # 预处理器在mini-batch中留存冗余字段
    cfg.preprocessor.val.keep_original_columns = ['sentence1', 'sentence2']
    # 预测数据集没有label，将对应key置空
    cfg.preprocessor.val.label = None
    return cfg


kwargs = dict(
    model='damo/nlp_structbert_sentence-similarity_chinese-tiny',
    work_dir='/tmp',
    cfg_modify_fn=cfg_modify_fn,
    # remove_unused_data会将上述keep_original_columns的列转为attributes
    remove_unused_data=True)

trainer = build_trainer(default_args=kwargs)


def saving_fn(inputs, outputs):
    with open(f'/tmp/predicts.txt', 'a') as f:
        # 通过attribute取冗余值
        sentence1 = inputs.sentence1
        sentence2 = inputs.sentence2
        predictions = np.argmax(outputs['logits'].cpu().numpy(), axis=1)
        for sent1, sent2, pred in zip(sentence1, sentence2, predictions):
            f.writelines(f'{sent1}, {sent2}, {pred}\n')


trainer.predict(predict_datasets=eval_dataset,
                saving_fn=saving_fn)

使用训练后的模型进行推理

训练完成以后，文件夹中会生成推理用的模型配置，可以直接用于pipeline：

• {work_dir}/output：训练完成后，存储模型配置文件，及最后一个epoch/iter的模型参数（配置中需要指定CheckpointHook）
• {work_dir}/output_best：最佳模型参数时，存储模型配置文件，及最佳的模型参数（配置中需要指定BestCkptSaverHook）

from modelscope.pipelines import pipeline
pipeline_ins = pipeline('text-classification', model='/tmp/output')
pipeline_ins(('这个功能可用吗', '这个功能现在可用吗'))

此外，ModelScope也会存储*.pth文件，用于后续继续训练、训练后验证、训练后推理。一般一次存储会存储两个pth文件：

• epoch_*.pth 存储模型的state_dict，output/output_best的bin文件是此文件的硬链接
• epoch_*_trainer_state.pth，存储trainer的state_dict

在继续训练场景时，只需要加载模型的pth文件，trainer的pth文件会被同时读取。

用户也可以手动link某个pth文件到output/output_best，实现使用任意一个存储节点的推理

pth的文件名格式如下：

• epoch_{n}/iter_{n}.pth（如epoch_3.pth）: 每interval个epoch/iter周期存储（配置中需要指定CheckpointHook）
• best_epoch{n}_{metricname}{m}.pth(如best_iter13_accuracy22.pth)：取得最佳模型参数时存储（配置中需要指定BestCkptSaverHook）

# 用于继续训练
trainer.train(checkpoint_path=os.path.join(self.tmp_dir, 'iter_3.pth'))
# 用于训练后评估
trainer.evaluate(checkpoint_path=os.path.join(self.tmp_dir, 'iter_3.pth'))
# 用于训练后推理并通过saving_fn存储预测的label为文件
trainer.predict(checkpoint_path=os.path.join(self.tmp_dir, 'iter_3.pth'), 
                predict_datasets=some_dataset,
                saving_fn=some-saving-fn)

参考链接：

模型的训练Train