зеркало из https://github.com/microsoft/archai.git
Merge pull request #209 from microsoft/task_segmentation
Archai task: face segmentation
This commit is contained in:
piero2c
GitHub
Коммит
30d929c9c2
|
|
@ -21,10 +21,10 @@ jobs:
|
|||
uses: actions/checkout@v3
|
||||
with:
|
||||
fetch-depth: 0
|
||||
- name: Sets up Conda with Python 3.7
|
||||
- name: Sets up Conda with Python 3.8
|
||||
uses: conda-incubator/setup-miniconda@v2
|
||||
with:
|
||||
python-version: 3.7
|
||||
python-version: 3.8
|
||||
activate-environment: archai
|
||||
- name: Installs the requirements
|
||||
shell: bash -l {0}
|
||||
|
|
|
|||
|
|
@ -14,10 +14,10 @@ jobs:
|
|||
uses: actions/checkout@v3
|
||||
with:
|
||||
fetch-depth: 0
|
||||
- name: Sets up Python 3.7
|
||||
- name: Sets up Python 3.8
|
||||
uses: actions/setup-python@v4
|
||||
with:
|
||||
python-version: 3.7
|
||||
python-version: 3.8
|
||||
- name: Installs pypa/build
|
||||
shell: bash -l {0}
|
||||
run: |
|
||||
|
|
|
|||
|
|
@ -19,9 +19,9 @@ jobs:
|
|||
name: Lints with `flake8` and run unit tests with `pytest`
|
||||
strategy:
|
||||
fail-fast: false
|
||||
matrix:
|
||||
matrix:
|
||||
platform: [ windows-latest, ubuntu-latest ]
|
||||
python-version: ["3.7", "3.8", "3.9", "3.10"]
|
||||
python-version: ["3.8", "3.9", "3.10"]
|
||||
runs-on: ${{ matrix.platform }}
|
||||
steps:
|
||||
- name: Pulls the repository
|
||||
|
|
|
|||
|
|
@ -21,7 +21,7 @@ jobs:
|
|||
strategy:
|
||||
fail-fast: false
|
||||
matrix:
|
||||
python-version: ["3.7", "3.8", "3.9", "3.10"]
|
||||
python-version: ["3.8", "3.9", "3.10"]
|
||||
steps:
|
||||
- name: Pulls the repository
|
||||
uses: actions/checkout@v3
|
||||
|
|
|
|||
|
|
@ -152,6 +152,7 @@ dmypy.json
|
|||
|
||||
# Pyre type checker
|
||||
.pyre/
|
||||
output/
|
||||
|
||||
# Azure notebooks
|
||||
mlruns/
|
||||
|
|
@ -159,3 +160,9 @@ dataroot/
|
|||
temp_code/
|
||||
mnist_test_run*/
|
||||
logs/
|
||||
output/
|
||||
snpe-2.5.0.4052.zip
|
||||
android-ndk-r25b-linux.zip
|
||||
android-ndk-r25c-linux.zip
|
||||
tasks/face_segmentation/snpe/docker/quantizer/quantizer.yaml
|
||||
tasks/face_segmentation/.vscode/launch.json
|
||||
|
|
|
|||
|
|
@ -261,7 +261,14 @@
|
|||
"type": "python",
|
||||
"request": "launch",
|
||||
"program": "${file}",
|
||||
"console": "integratedTerminal"
|
||||
"console": "integratedTerminal",
|
||||
"cwd": "D:\\git\\microsoft\\archai\\archai\\tasks\\face_segmentation",
|
||||
"args":[
|
||||
"--dataset_dir", "C:\\datasets\\FaceSynthetics",
|
||||
"--output_dir", "d:\\temp\\face_segmentation",
|
||||
"--search_config", "confs\\snp_search.yaml",
|
||||
"--serial_training"
|
||||
]
|
||||
}
|
||||
]
|
||||
}
|
||||
|
|
@ -37,7 +37,7 @@ To install Archai via PyPI, the following command can be executed:
|
|||
pip install archai
|
||||
```
|
||||
|
||||
**Archai requires Python 3.7+ and PyTorch 1.7.0+ to function properly.**
|
||||
**Archai requires Python 3.8+ and PyTorch 1.7.0+ to function properly.**
|
||||
|
||||
For further information, please consult the [installation guide](https://microsoft.github.io/archai/getting_started/installation.html).
|
||||
|
||||
|
|
@ -121,6 +121,7 @@ The algorithm will iterate through different network architectures, evaluate the
|
|||
To demonstrate and showcase the capabilities/functionalities of Archai, a set of end-to-end tasks are provided:
|
||||
|
||||
* [Text Generation](https://github.com/microsoft/archai/blob/main/tasks/text_generation).
|
||||
* [Face Segmentation](https://github.com/microsoft/archai/blob/main/tasks/face_segmentation).
|
||||
|
||||
## Documentation
|
||||
|
||||
|
|
|
|||
|
|
@ -82,7 +82,7 @@ class Config(UserDict):
|
|||
|
||||
self.config_filepath = config_filepath
|
||||
|
||||
def _load_from_file(self, filepath:Optional[str])->None:
|
||||
def _load_from_file(self, filepath: Optional[str])->None:
|
||||
if filepath:
|
||||
filepath = os.path.expanduser(os.path.expandvars(filepath))
|
||||
filepath = os.path.abspath(filepath)
|
||||
|
|
@ -158,4 +158,3 @@ class Config(UserDict):
|
|||
def get_inst()->'Config':
|
||||
global _config
|
||||
return _config
|
||||
|
||||
|
|
|
|||
|
|
@ -8,6 +8,7 @@ import logging
|
|||
import datetime
|
||||
import platform
|
||||
import numpy as np
|
||||
import re
|
||||
from torch import Tensor
|
||||
from azure.data.tables import TableServiceClient, UpdateMode, EntityProperty, EdmType
|
||||
from azure.storage.blob import BlobClient, ContainerClient
|
||||
|
|
@ -33,12 +34,13 @@ class ArchaiStore:
|
|||
|
||||
This also has a convenient command line interface provided below.
|
||||
"""
|
||||
def __init__(self, storage_account_name, storage_account_key, blob_container_name='models', status_table_name='status'):
|
||||
def __init__(self, storage_account_name, storage_account_key, blob_container_name='models', table_name='status', partition_key='main'):
|
||||
self.storage_account_key = storage_account_key
|
||||
self.storage_account_name = storage_account_name
|
||||
self.storage_connection_string = f'DefaultEndpointsProtocol=https;AccountName={storage_account_name};AccountKey={storage_account_key};EndpointSuffix=core.windows.net'
|
||||
self.blob_container_name = blob_container_name
|
||||
self.status_table_name = status_table_name
|
||||
self.status_table_name = table_name
|
||||
self.partition_key = partition_key
|
||||
self.service = None
|
||||
self.table_client = None
|
||||
self.container_client = None
|
||||
|
|
@ -115,7 +117,7 @@ class ArchaiStore:
|
|||
table_client = self._get_table_client()
|
||||
|
||||
entities = []
|
||||
query = "PartitionKey eq 'main'"
|
||||
query = f"PartitionKey eq '{self.partition_key}'"
|
||||
if status:
|
||||
if not_equal:
|
||||
query += f" and status ne '{status}'"
|
||||
|
|
@ -125,7 +127,7 @@ class ArchaiStore:
|
|||
try:
|
||||
# find all properties (just use list_entities?)
|
||||
for e in table_client.query_entities(query_filter=query):
|
||||
entities += [self._wrap_numeric_types(e)]
|
||||
entities += [self._unwrap_numeric_types(e)]
|
||||
|
||||
except Exception as e:
|
||||
print(f"### error reading table: {e}")
|
||||
|
|
@ -139,11 +141,11 @@ class ArchaiStore:
|
|||
table_client = self._get_table_client()
|
||||
|
||||
try:
|
||||
entity = table_client.get_entity(partition_key='main', row_key=name)
|
||||
entity = table_client.get_entity(partition_key=self.partition_key, row_key=name)
|
||||
entity = self._unwrap_numeric_types(entity)
|
||||
except Exception:
|
||||
entity = {
|
||||
'PartitionKey': 'main',
|
||||
'PartitionKey': self.partition_key,
|
||||
'RowKey': name,
|
||||
'name': name,
|
||||
'status': 'new'
|
||||
|
|
@ -154,7 +156,9 @@ class ArchaiStore:
|
|||
e = {}
|
||||
for k in entity.keys():
|
||||
v = entity[k]
|
||||
if isinstance(v, int):
|
||||
if isinstance(v, bool):
|
||||
e[k] = v
|
||||
elif isinstance(v, int):
|
||||
e[k] = EntityProperty(v, EdmType.INT64)
|
||||
elif isinstance(v, float):
|
||||
e[k] = float(v) # this is casting np.float to float.
|
||||
|
|
@ -176,7 +180,7 @@ class ArchaiStore:
|
|||
""" Find the given entity by name, and return it, or return None if the name is not found."""
|
||||
table_client = self._get_table_client()
|
||||
try:
|
||||
entity = table_client.get_entity(partition_key='main', row_key=name)
|
||||
entity = table_client.get_entity(partition_key=self.partition_key, row_key=name)
|
||||
entity = self._unwrap_numeric_types(entity)
|
||||
except Exception:
|
||||
return None
|
||||
|
|
@ -187,7 +191,7 @@ class ArchaiStore:
|
|||
can pick up any changes that another process may have made. """
|
||||
table_client = self._get_table_client()
|
||||
try:
|
||||
entity = table_client.get_entity(partition_key=e['PartitionKey'], row_key=e['RowKey'])
|
||||
entity = table_client.get_entity(partition_key=self.partition_key, row_key=e['RowKey'])
|
||||
entity = self._unwrap_numeric_types(entity)
|
||||
except Exception:
|
||||
return None
|
||||
|
|
@ -356,20 +360,21 @@ class ArchaiStore:
|
|||
print(f"Unlocking job {name} on node {node}")
|
||||
self.merge_status_entity(e)
|
||||
|
||||
def reset(self, name):
|
||||
def reset(self, name, except_list=[]):
|
||||
""" This resets all properties on the given entity that are not primary keys,
|
||||
'name' or 'status'. This will not touch a node that is locked by another. """
|
||||
'name' or 'status' and are not in the given except_list.
|
||||
This will not touch a node that is locked by another computer. """
|
||||
e = self.get_existing_status(name)
|
||||
if not e:
|
||||
print(f"Entity {name} not found")
|
||||
else:
|
||||
self._reset(e)
|
||||
self._reset(e, except_list)
|
||||
|
||||
def _reset(self, e):
|
||||
def _reset(self, e, except_list=[]):
|
||||
if self.is_locked_by_other(e):
|
||||
node = self.get_lock(e)
|
||||
print(f"Skipping {e['RowKey']} as it is locked by {node}")
|
||||
elif self._reset_metrics(e):
|
||||
elif self._reset_metrics(e, except_list):
|
||||
e['status'] = 'reset'
|
||||
print(f"Resetting entity {e['RowKey']}")
|
||||
self.update_status_entity(e)
|
||||
|
|
@ -379,11 +384,11 @@ class ArchaiStore:
|
|||
for e in self.get_all_status_entities():
|
||||
self._reset(e)
|
||||
|
||||
def _reset_metrics(self, entity):
|
||||
def _reset_metrics(self, entity, except_list=[]):
|
||||
# now clear all data to force a full re-run of everything.
|
||||
modified = False
|
||||
for key in list(entity.keys()):
|
||||
if key != 'PartitionKey' and key != 'RowKey' and key != 'name' and key != 'status' and key != 'node':
|
||||
if key != 'PartitionKey' and key != 'RowKey' and key != 'name' and key != 'status' and key != 'node' and key not in except_list:
|
||||
del entity[key]
|
||||
modified = True
|
||||
return modified
|
||||
|
|
@ -458,22 +463,25 @@ class ArchaiStore:
|
|||
def download(self, name, folder, specific_file=None):
|
||||
""" Download files from the given folder name from our associated blob container
|
||||
and return a list of the local paths to all downloaded files. If an optional specific_file is
|
||||
given then it tries to find and download that file only. Returns a list of local files created. """
|
||||
given then it tries to find and download that file only. Returns a list of local files created.
|
||||
The specific_file can be a regular expression like '*.onnx'. """
|
||||
container = self._get_container_client(self.blob_container_name)
|
||||
if not container.exists():
|
||||
return (False, None)
|
||||
return []
|
||||
|
||||
if not os.path.isdir(folder):
|
||||
os.makedirs(folder)
|
||||
local_file = None
|
||||
prefix = f'{name}/'
|
||||
downloaded = []
|
||||
if specific_file:
|
||||
specific_file_re = re.compile(specific_file)
|
||||
|
||||
for blob in container.list_blobs(name_starts_with=prefix):
|
||||
file_name = blob.name[len(prefix):]
|
||||
download = False
|
||||
if specific_file:
|
||||
if specific_file != file_name:
|
||||
if not specific_file_re.match(file_name):
|
||||
continue
|
||||
else:
|
||||
download = True
|
||||
|
|
@ -498,8 +506,6 @@ class ArchaiStore:
|
|||
downloaded += [local_file]
|
||||
except Exception as e:
|
||||
print(f"### Error downloading blob '{blob}' to local file: {e}")
|
||||
if specific_file:
|
||||
break
|
||||
|
||||
return downloaded
|
||||
|
||||
|
|
@ -513,6 +519,11 @@ class ArchaiStore:
|
|||
continue
|
||||
container.delete_blob(blob)
|
||||
|
||||
def list_blobs(self, prefix=None):
|
||||
""" List all the blobs associated with the given prefix. """
|
||||
container = self._get_container_client(self.blob_container_name)
|
||||
return [blob.name for blob in container.list_blobs(name_starts_with=prefix)]
|
||||
|
||||
def print_entities(self, entities, columns=None):
|
||||
keys = []
|
||||
for e in entities:
|
||||
|
|
@ -601,11 +612,10 @@ def download(con_str, args):
|
|||
friendly_names = [friendly_name]
|
||||
|
||||
specific_file = args.file
|
||||
all_files = False if specific_file else True
|
||||
|
||||
for friendly_name in friendly_names:
|
||||
found, model, file = store.download(friendly_name, friendly_name, specific_file, all_files)
|
||||
if not found and specific_file:
|
||||
downloaded = store.download(friendly_name, friendly_name, specific_file)
|
||||
if len(downloaded) == 0 and specific_file:
|
||||
print(f"file {specific_file} not found")
|
||||
|
||||
|
||||
|
|
|
|||
|
|
@ -0,0 +1,104 @@
|
|||
from pathlib import Path
|
||||
from typing import Callable, Optional, Tuple
|
||||
|
||||
from overrides import overrides
|
||||
import torch
|
||||
import torchvision.transforms.functional as F
|
||||
from torchvision.io import read_image
|
||||
|
||||
from archai.api.dataset_provider import DatasetProvider
|
||||
|
||||
|
||||
class FaceSyntheticsDataset(torch.utils.data.Dataset):
|
||||
CLASSES = ['background', 'skin', 'nose', 'right_eye', 'left_eye', 'right_brow', 'left_brow',
|
||||
'right_ear', 'left_ear', 'mouth_interior', 'top_lip', 'bottom_lip', 'neck', 'hair',
|
||||
'beard', 'clothing', 'glasses', 'headwear', 'facewear']
|
||||
|
||||
def __init__(self, dataset_dir: str, img_size: Tuple[int, int] = (256, 256),
|
||||
subset: str = 'train', val_size: int = 2000, ignore_index: int = 255,
|
||||
mask_size: Optional[Tuple[int, int]] = None,
|
||||
augmentation: Optional[Callable] = None):
|
||||
"""Face Synthetics Dataset
|
||||
|
||||
Args:
|
||||
dataset_dir (str): Dataset directory.
|
||||
img_size (Tuple[int, int]): Image size (width, height). Defaults to (256, 256).
|
||||
subset (str, optional): Subset ['train', 'test', 'validation']. Defaults to 'train'.
|
||||
val_size (int, optional): Validation set size. Defaults to 2000.
|
||||
|
||||
mask_size (Optional[Tuple[int, int]], optional): Segmentation mask size (width, height). If `None`,
|
||||
`img_size` is used. Defaults to None.
|
||||
|
||||
augmentation (Optional[Callable], optional): Augmentation function. Expects a callable object
|
||||
with named arguments 'image' and 'mask' that returns a dictionary with 'image' and 'mask' as
|
||||
keys. Defaults to None.
|
||||
"""
|
||||
dataset_dir = Path(dataset_dir)
|
||||
assert dataset_dir.is_dir()
|
||||
assert isinstance(img_size, tuple)
|
||||
|
||||
self.img_size = img_size
|
||||
self.dataset_dir = dataset_dir
|
||||
self.subset = subset
|
||||
self.mask_size = mask_size
|
||||
self.augmentation = augmentation
|
||||
|
||||
all_seg_files = [str(f) for f in sorted(self.dataset_dir.glob('*_seg.png'))]
|
||||
train_subset, test_subset = all_seg_files[:90_000], all_seg_files[90_000:]
|
||||
|
||||
if subset == 'train':
|
||||
self.seg_files = train_subset[:-val_size] if val_size > 0 else train_subset
|
||||
elif subset == 'validation':
|
||||
self.seg_files = train_subset[-val_size:] if val_size > 0 else None
|
||||
elif subset == 'test':
|
||||
self.seg_files = test_subset
|
||||
|
||||
self.img_files = [s.replace("_seg.png",".png") for s in self.seg_files]
|
||||
self.ignore_index = ignore_index
|
||||
|
||||
def __len__(self):
|
||||
return len(self.img_files)
|
||||
|
||||
def __getitem__(self, idx):
|
||||
sample = {
|
||||
'image': read_image(self.img_files[idx]),
|
||||
'mask': read_image(self.seg_files[idx]).long()
|
||||
}
|
||||
|
||||
if self.augmentation and self.subset == 'train':
|
||||
sample = self.augmentation(**sample)
|
||||
|
||||
sample['image'] = sample['image']/255
|
||||
|
||||
mask_size = self.mask_size if self.mask_size else self.img_size
|
||||
sample['mask'] = F.resize(
|
||||
sample['mask'], mask_size[::-1],
|
||||
interpolation=F.InterpolationMode.NEAREST
|
||||
)
|
||||
sample['image'] = F.resize(sample['image'], self.img_size[::-1])
|
||||
|
||||
return sample
|
||||
|
||||
|
||||
class FaceSyntheticsDatasetProvider(DatasetProvider):
|
||||
def __init__(self, dataset_dir: str):
|
||||
self.dataset_dir = Path(dataset_dir)
|
||||
assert self.dataset_dir.is_dir()
|
||||
|
||||
@overrides
|
||||
def get_train_dataset(self, **kwargs) -> torch.utils.data.Dataset:
|
||||
return FaceSyntheticsDataset(
|
||||
self.dataset_dir, subset='train', **kwargs
|
||||
)
|
||||
|
||||
@overrides
|
||||
def get_test_dataset(self, **kwargs) -> torch.utils.data.Dataset:
|
||||
return FaceSyntheticsDataset(
|
||||
self.dataset_dir, subset='train', **kwargs
|
||||
)
|
||||
|
||||
@overrides
|
||||
def get_val_dataset(self, **kwargs) -> torch.utils.data.Dataset:
|
||||
return FaceSyntheticsDataset(
|
||||
self.dataset_dir, subset='validation', **kwargs
|
||||
)
|
||||
|
|
@ -1,29 +1,19 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
|
||||
import datetime
|
||||
import logging
|
||||
import platform
|
||||
import time
|
||||
import uuid
|
||||
from pathlib import Path
|
||||
from tempfile import TemporaryDirectory
|
||||
from typing import Any, Dict, List, Optional, Tuple, Union
|
||||
|
||||
import torch
|
||||
from azure.core.exceptions import ResourceNotFoundError
|
||||
from azure.data.tables import TableServiceClient, UpdateMode
|
||||
from azure.storage.blob import BlobServiceClient
|
||||
from overrides import overrides
|
||||
|
||||
from archai.discrete_search.api.archai_model import ArchaiModel
|
||||
from archai.discrete_search.api.model_evaluator import AsyncModelEvaluator
|
||||
|
||||
|
||||
def _get_utc_date() -> str:
|
||||
current_date = datetime.datetime.now()
|
||||
current_date = current_date.replace(tzinfo=datetime.timezone.utc)
|
||||
|
||||
return current_date.isoformat()
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
|
||||
class RemoteAzureBenchmarkEvaluator(AsyncModelEvaluator):
|
||||
|
|
@ -37,15 +27,13 @@ class RemoteAzureBenchmarkEvaluator(AsyncModelEvaluator):
|
|||
def __init__(
|
||||
self,
|
||||
input_shape: Union[Tuple, List[Tuple]],
|
||||
connection_string: str,
|
||||
blob_container_name: str,
|
||||
table_name: str,
|
||||
store: ArchaiStore,
|
||||
metric_key: str,
|
||||
partition_key: str,
|
||||
overwrite: Optional[bool] = True,
|
||||
max_retries: Optional[int] = 5,
|
||||
retry_interval: Optional[int] = 120,
|
||||
onnx_export_kwargs: Optional[Dict[str, Any]] = None,
|
||||
verbose: bool = False
|
||||
) -> None:
|
||||
"""Initialize the evaluator.
|
||||
|
||||
|
|
@ -60,159 +48,120 @@ class RemoteAzureBenchmarkEvaluator(AsyncModelEvaluator):
|
|||
max_retries: Maximum number of retries in `fetch_all`.
|
||||
retry_interval: Interval between each retry attempt.
|
||||
onnx_export_kwargs: Dictionary containing key-value arguments for `torch.onnx.export`.
|
||||
|
||||
verbose: Whether to print debug messages.
|
||||
"""
|
||||
|
||||
# TODO: Make this class more general / less pipeline-specific
|
||||
self.store = store
|
||||
input_shapes = [input_shape] if isinstance(input_shape, tuple) else input_shape
|
||||
self.sample_input = tuple([torch.rand(*input_shape) for input_shape in input_shapes])
|
||||
self.blob_container_name = blob_container_name
|
||||
self.blob_service_client = BlobServiceClient.from_connection_string(connection_string)
|
||||
|
||||
self.table_name = table_name
|
||||
self.table_service_client = TableServiceClient.from_connection_string(
|
||||
connection_string, logging_enable=False, logging_level="ERROR"
|
||||
)
|
||||
|
||||
# Changes the Azure logging level to ERROR to avoid unnecessary output
|
||||
logger = logging.getLogger("azure.core.pipeline.policies.http_logging_policy")
|
||||
logger.setLevel(logging.ERROR)
|
||||
|
||||
self.metric_key = metric_key
|
||||
self.partition_key = partition_key
|
||||
self.overwrite = overwrite
|
||||
self.max_retries = max_retries
|
||||
self.retry_interval = retry_interval
|
||||
self.onnx_export_kwargs = onnx_export_kwargs or dict()
|
||||
self.verbose = verbose
|
||||
|
||||
# Architecture list
|
||||
self.archids = []
|
||||
|
||||
def __contains__(self, rowkey_id: str) -> bool:
|
||||
try:
|
||||
self._get_entity(rowkey_id)
|
||||
except ResourceNotFoundError:
|
||||
return False
|
||||
|
||||
return True
|
||||
|
||||
@property
|
||||
def table_client(self) -> Any:
|
||||
"""Return the table client."""
|
||||
|
||||
return self.table_service_client.create_table_if_not_exists(self.table_name)
|
||||
|
||||
def _upload_blob(self, src_path: str, dst_path: str) -> None:
|
||||
"""Upload a file to Azure Blob storage.
|
||||
|
||||
Args:
|
||||
src_path: Path to the source file.
|
||||
dst_path: Path to the destination file.
|
||||
|
||||
"""
|
||||
|
||||
src_path = Path(src_path)
|
||||
assert src_path.is_file(), f"{src_path} does not exist or is not a file"
|
||||
|
||||
blob_client = self.blob_service_client.get_blob_client(container=self.blob_container_name, blob=dst_path)
|
||||
|
||||
with open(src_path, "rb") as data:
|
||||
blob_client.upload_blob(data, overwrite=self.overwrite)
|
||||
|
||||
def _get_entity(self, rowkey_id: str) -> Dict[str, Any]:
|
||||
"""Return the entity with the given `rowkey_id`.
|
||||
|
||||
Args:
|
||||
rowkey_id: Row key of the entity.
|
||||
|
||||
Returns:
|
||||
Entity dictionary.
|
||||
|
||||
"""
|
||||
|
||||
return self.table_client.get_entity(partition_key=self.partition_key, row_key=rowkey_id)
|
||||
|
||||
def _update_entity(self, rowkey_id: str, entity_dict: Dict[str, Any]) -> Dict[str, Any]:
|
||||
"""Update the entity with the given `rowkey_id`.
|
||||
|
||||
Args:
|
||||
rowkey_id: Row key of the entity.
|
||||
entity_dict: Dictionary containing the entity properties.
|
||||
|
||||
Returns:
|
||||
Entity dictionary.
|
||||
|
||||
"""
|
||||
|
||||
entity = {"PartitionKey": self.partition_key, "RowKey": rowkey_id}
|
||||
entity.update(entity_dict)
|
||||
|
||||
return self.table_client.upsert_entity(entity, mode=UpdateMode.REPLACE)
|
||||
# Test connection string works
|
||||
unknown_id = str(uuid.uuid4())
|
||||
_ = self.store.get_existing_status(unknown_id)
|
||||
_ = self.store.list_blobs(unknown_id)
|
||||
|
||||
@overrides
|
||||
def send(self, arch: ArchaiModel, budget: Optional[float] = None) -> None:
|
||||
archid = str(arch.archid)
|
||||
|
||||
# Checks if architecture was already benchmarked
|
||||
if archid in self:
|
||||
entity = self._get_entity(archid)
|
||||
entity = self.store.get_existing_status(archid)
|
||||
if entity is not None:
|
||||
|
||||
if entity["status"] == "complete":
|
||||
if self.metric_key in entity:
|
||||
if self.verbose:
|
||||
value = entity[self.metric_key]
|
||||
print(f"Entry for {archid} already exists with {self.metric_key} = {value}")
|
||||
return
|
||||
else:
|
||||
# complete but missing the mean, so reset everything so we can try again below.
|
||||
self.store.reset(archid, ['benchmark_only', 'model_date'])
|
||||
else:
|
||||
# job is still running, let it continue
|
||||
if self.verbose:
|
||||
print(f"Job for {archid} is running...")
|
||||
self.archids.append(archid)
|
||||
return
|
||||
|
||||
if self.metric_key in entity and entity[self.metric_key]:
|
||||
self.archids.append(archid)
|
||||
return
|
||||
entity = self.store.get_status(archid) # this is a get or create operation.
|
||||
entity["benchmark_only"] = 1
|
||||
entity["model_date"] = self.store.get_utc_date()
|
||||
entity["model_name"] = "model.onnx"
|
||||
self.store.update_status_entity(entity) # must be an update, not a merge.
|
||||
self.store.lock_entity(entity, "uploading")
|
||||
try:
|
||||
with TemporaryDirectory() as tmp_dir:
|
||||
tmp_dir = Path(tmp_dir)
|
||||
|
||||
entity = {
|
||||
"status": "uploading",
|
||||
"name": archid,
|
||||
"node": platform.node(),
|
||||
"benchmark_only": 1,
|
||||
"model_date": _get_utc_date(),
|
||||
"model_name": "model.onnx",
|
||||
}
|
||||
# Uploads ONNX file to blob storage and updates the table entry
|
||||
arch.arch.to("cpu")
|
||||
file_name = str(tmp_dir / "model.onnx")
|
||||
# Exports model to ONNX
|
||||
torch.onnx.export(
|
||||
arch.arch,
|
||||
self.sample_input,
|
||||
file_name,
|
||||
input_names=[f"input_{i}" for i in range(len(self.sample_input))],
|
||||
**self.onnx_export_kwargs,
|
||||
)
|
||||
|
||||
with TemporaryDirectory() as tmp_dir:
|
||||
tmp_dir = Path(tmp_dir)
|
||||
self.store.upload_blob(archid, file_name, "model.onnx")
|
||||
entity["status"] = "new"
|
||||
except Exception as e:
|
||||
entity["error"] = str(e)
|
||||
finally:
|
||||
self.store.unlock_entity(entity)
|
||||
|
||||
# Uploads ONNX file to blob storage and updates the table entry
|
||||
arch.arch.to("cpu")
|
||||
|
||||
# Exports model to ONNX
|
||||
torch.onnx.export(
|
||||
arch.arch,
|
||||
self.sample_input,
|
||||
str(tmp_dir / "model.onnx"),
|
||||
input_names=[f"input_{i}" for i in range(len(self.sample_input))],
|
||||
**self.onnx_export_kwargs,
|
||||
)
|
||||
|
||||
self._update_entity(archid, entity)
|
||||
self._upload_blob(str(tmp_dir / "model.onnx"), f"{archid}/model.onnx")
|
||||
|
||||
# Updates model status
|
||||
del entity["node"]
|
||||
entity["status"] = "new"
|
||||
|
||||
self._update_entity(archid, entity)
|
||||
self.archids.append(archid)
|
||||
|
||||
if self.verbose:
|
||||
print(f"Sent {archid} to Remote Benchmark")
|
||||
|
||||
@overrides
|
||||
def fetch_all(self) -> List[Union[float, None]]:
|
||||
results = [None for _ in self.archids]
|
||||
results = [None] * len(self.archids)
|
||||
completed = [False] * len(self.archids)
|
||||
|
||||
for _ in range(self.max_retries):
|
||||
|
||||
for i, archid in enumerate(self.archids):
|
||||
if archid in self:
|
||||
entity = self._get_entity(archid)
|
||||
if not completed[i]:
|
||||
entity = self.store.get_existing_status(archid)
|
||||
if entity is not None:
|
||||
if self.metric_key in entity and entity[self.metric_key]:
|
||||
results[i] = entity[self.metric_key]
|
||||
if "error" in entity:
|
||||
error = entity["error"]
|
||||
print(f"Skipping architecture {archid} because of remote error: {error}")
|
||||
completed[i] = True
|
||||
elif entity["status"] == "complete":
|
||||
completed[i] = True
|
||||
|
||||
if self.metric_key in entity and entity[self.metric_key]:
|
||||
results[i] = entity[self.metric_key]
|
||||
|
||||
if all(r is not None for r in results):
|
||||
if all(completed):
|
||||
break
|
||||
|
||||
if self.verbose:
|
||||
status_dict = {
|
||||
"complete": sum(r is not None for r in results),
|
||||
"total": len(results),
|
||||
}
|
||||
|
||||
print(
|
||||
f"Waiting for results. Current status: {status_dict}\n"
|
||||
f"Archids: {[archid for archid, status in zip(self.archids, results) if status is None]}"
|
||||
)
|
||||
|
||||
time.sleep(self.retry_interval)
|
||||
|
||||
# Resets state
|
||||
|
|
|
|||
7
setup.py
7
setup.py
|
|
@ -23,6 +23,7 @@ dependencies = [
|
|||
"hyperopt",
|
||||
"ipykernel",
|
||||
"jupyter",
|
||||
"lightning>=2.0.0",
|
||||
"matplotlib",
|
||||
"mldesigner",
|
||||
"mlflow",
|
||||
|
|
@ -38,7 +39,7 @@ dependencies = [
|
|||
"psutil",
|
||||
"pydata-sphinx-theme==0.13.1",
|
||||
"pytest",
|
||||
"pytorch-lightning",
|
||||
"pyunpack",
|
||||
"pyyaml",
|
||||
"ray>=1.0.0",
|
||||
"scikit-learn",
|
||||
|
|
@ -75,7 +76,7 @@ extras_require = {}
|
|||
extras_require["cv"] = filter_dependencies(
|
||||
"gorilla",
|
||||
"opencv-python",
|
||||
"pytorch-lightning",
|
||||
"lightning",
|
||||
"scikit-learn",
|
||||
"torchvision",
|
||||
)
|
||||
|
|
@ -120,7 +121,7 @@ extras_require["aml"] = filter_dependencies(
|
|||
"matplotlib",
|
||||
"mldesigner",
|
||||
"mlflow",
|
||||
"pytorch-lightning",
|
||||
"lightning",
|
||||
"torchvision",
|
||||
)
|
||||
|
||||
|
|
|
|||
|
|
@ -0,0 +1 @@
|
|||
!*.json
|
||||
|
|
@ -0,0 +1,125 @@
|
|||
# Face Segmentation
|
||||
|
||||
The purpose of this example/tutorial is to demonstrate how to perform multi-objective NAS for image segmentation models
|
||||
using Archai. This approach allows us to optimize the model's performance with respect to multiple objectives, such as
|
||||
Intersection Over Union (IOU) and inference time for various deployment targets. Specifically, we will focus on
|
||||
performing the search for both regular CPU targets and Qualcomm's Snapdragon processor, enabling us to optimize the
|
||||
models for deployment on mobile devices as well.
|
||||
|
||||
## Dataset
|
||||
|
||||
We will use the [Face Synthetics dataset](https://github.com/microsoft/FaceSynthetics) for this example. The dataset
|
||||
comprises 100,000 512x512 synthetic face images, each annotated with 19 per-pixel semantic segmentation labels. These
|
||||
labels cover various aspects of the face, including background, skin, eyes, ears, nose, lips, clothing, and headwear.
|
||||
|
||||
|
||||
|
||||
## Search Space
|
||||
|
||||
The search space used for this example is based on the [Stacked HourglassNet
|
||||
architecture](https://arxiv.org/abs/1603.06937). The search space consists in 3 different block types: `downsample`,
|
||||
`upsample` and `skip`, with each block type containing one or more possible operations. Additionally, `downsample`
|
||||
blocks also control the number of channels.
|
||||
|
||||
|
||||
|
||||
## Neural Architecture Search
|
||||
|
||||
To run a search job, use the following command
|
||||
|
||||
```shell
|
||||
python3 search.py --dataset_dir [face_synthetics_dir] --output_dir [output_dir] --search_config [search_config_file]
|
||||
```
|
||||
|
||||
Use `--search_config` to specify the search config file with the desired search settings. We provide two basic search
|
||||
configurations based on the desired target (CPU or Snapdragon processor), `search.py` will use
|
||||
[cpu_search.yaml](confs/cpu_search.yaml) if no search config file is passed.
|
||||
|
||||
* [cpu_search.yaml](confs/cpu_search.yaml)
|
||||
* [snp_search.yaml](confs/snp_search.yaml)
|
||||
|
||||
Note: to use `snp_search.yaml` you will need to follow the [SNP setup instructions](snpe/readme.md).
|
||||
|
||||
By default, `search.py` will run multiple partial training jobs using Ray (2 jobs per GPU). To change the number of gpus
|
||||
per job, set `--gpus_per_job`, or use the `--serial_training` flag to disable parallel training jobs altogether.
|
||||
|
||||
The pareto architecture files selected by the search algorithm can be found under `[output_dir]/pareto_models_iter_XX`.
|
||||
A table with the partial training performance and other objectives can be found in the
|
||||
`[output_dir]/search_state_XX.csv` file.
|
||||
|
||||
## Final Training
|
||||
|
||||
To fully train one of the selected architectures by the NAS algorithm use the following command
|
||||
|
||||
```shell
|
||||
python3 train.py [path_to_final_architecture.json] --dataset_dir [face_synthetics_dir] --output_dir [output_dir] --epochs [n_epochs]
|
||||
```
|
||||
|
||||
## NAS Results (CPU Target)
|
||||
|
||||
### Search
|
||||
|
||||
|
||||
|
||||
The selected architectures for the search with the `cpu_search.yaml` config file can be found in the
|
||||
[archs/cpu_target/](arch/cpu_target/) directory or in the table below.
|
||||
|
||||
### Final Training
|
||||
|
||||
The table below shows the final results after fully training the final pareto architectures for 30 epochs using the
|
||||
[train.py](./train.py) script.
|
||||
|
||||
| Architecture | Search iteration | ONNX Latency (s) | Full training Validation mIOU |
|
||||
|:------------------------------------------------------------------------------------------------|---------------------:|---------------------:|--------------------------------:|
|
||||
| [d650d48bdc83e75ae6ace9f20c17caa65fb5048a](archs/cpu_target/d650d48bdc83e75ae6ace9f20c17caa65fb5048a.json) | 9 | 0.070 | 0.88 |
|
||||
| [07d670b8f76d8b9ca1e39379798d8b0046695b6a](archs/cpu_target/07d670b8f76d8b9ca1e39379798d8b0046695b6a.json) | 6 | 0.035 | 0.87 |
|
||||
| [0cf2105627cd8ef8b86bdafd4987714dc2519827](archs/cpu_target/0cf2105627cd8ef8b86bdafd4987714dc2519827.json) | 8 | 0.027 | 0.85 |
|
||||
| [1531903d654ecc930a0659e31b42c3efe6fe6ef3](archs/cpu_target/1531903d654ecc930a0659e31b42c3efe6fe6ef3.json) | 6 | 0.022 | 0.85 |
|
||||
| [f22f089ae8c618117f4869f20213b344189bab9a](archs/cpu_target/f22f089ae8c618117f4869f20213b344189bab9a.json) | 4 | 0.025 | 0.84 |
|
||||
| [b049ce7b41268d956af5410a3e838a2992d29232](archs/cpu_target/b049ce7b41268d956af5410a3e838a2992d29232.json) | 4 | 0.026 | 0.84 |
|
||||
| [31cc57fe423f06a0f4d6ba000fe1e3decd3a442c](archs/cpu_target/31cc57fe423f06a0f4d6ba000fe1e3decd3a442c.json) | 8 | 0.019 | 0.84 |
|
||||
| [1f1a7d04c4925d17f0575418cc974327ab71a93a](archs/cpu_target/1f1a7d04c4925d17f0575418cc974327ab71a93a.json) | 8 | 0.015 | 0.83 |
|
||||
| [0c74d6d48a3514be3e80a84593c5f6b3f656fb3c](archs/cpu_target/0c74d6d48a3514be3e80a84593c5f6b3f656fb3c.json) | 8 | 0.016 | 0.82 |
|
||||
| [1ab34d5fb31ef986650b5b112cfa3eca104b8107](archs/cpu_target/1ab34d5fb31ef986650b5b112cfa3eca104b8107.json) | 8 | 0.018 | 0.82 |
|
||||
| [e6b8640bd2b83212e3256907a2382ae9bb799b65](archs/cpu_target/e6b8640bd2b83212e3256907a2382ae9bb799b65.json) | 5 | 0.012 | 0.82 |
|
||||
| [82419a2ad358a34c508444c86db261616cf45ec3](archs/cpu_target/82419a2ad358a34c508444c86db261616cf45ec3.json) | 3 | 0.011 | 0.81 |
|
||||
| [15914e86631373b2d9c823873ba6a88a1dc548c7](archs/cpu_target/15914e86631373b2d9c823873ba6a88a1dc548c7.json) | 9 | 0.010 | 0.77 |
|
||||
| [de9067fa95074057353c67f62036a5b395a2d6a2](archs/cpu_target/de9067fa95074057353c67f62036a5b395a2d6a2.json) | 8 | 0.009 | 0.76 |
|
||||
| [be543f6a3d1eadc9a42496f0b40871d82d4931df](archs/cpu_target/be543f6a3d1eadc9a42496f0b40871d82d4931df.json) | 8 | 0.007 | 0.73 |
|
||||
|
||||
|
||||
## NAS Results (Snapdragon Target)
|
||||
|
||||
### Search
|
||||
|
||||
|
||||
|
||||
The selected architectures for the search with the `snp_search.yaml` config file can be found in the
|
||||
[archs/snp_target/](arch/snp_target/) directory or in the table below.
|
||||
|
||||
### Final Training
|
||||
|
||||
The table below shows the final results after fully training the final pareto architectures for 30 epochs using the
|
||||
[train.py](./train.py) script.
|
||||
|
||||
|
||||
| Architecture | Search iteration | SNP Quantized Latency (s) | Partial Training Val. IOU | Full training Validation mIOU |
|
||||
|:-----------------------------------------------------------------------------------------------------------|--------------------:|-----------------------------:|-----------------------------:|------------------:|
|
||||
| [b14a1f0a3d17ea0f62022c2cf61da032fd7c9971](archs/snp_target/b14a1f0a3d17ea0f62022c2cf61da032fd7c9971.json) | 5 | 0.007 | 0.769 | 0.88 |
|
||||
| [946fb0e27ef6ab9659b128006697a1b5a90e674c](archs/snp_target/946fb0e27ef6ab9659b128006697a1b5a90e674c.json) | 13 | 0.007 | 0.768 | 0.87 |
|
||||
| [69f28a4c45aef58a67e2e2e0ce2d087b60b03173](archs/snp_target/69f28a4c45aef58a67e2e2e0ce2d087b60b03173.json) | 12 | 0.008 | 0.783 | 0.87 |
|
||||
| [7bd6a76ec04e9f85c27d69a48557f689b0af2037](archs/snp_target/7bd6a76ec04e9f85c27d69a48557f689b0af2037.json) | 5 | 0.006 | 0.761 | 0.87 |
|
||||
| [fb5511d6bee3bf52abed1527850c829cc4293098](archs/snp_target/fb5511d6bee3bf52abed1527850c829cc4293098.json) | 7 | 0.005 | 0.758 | 0.86 |
|
||||
| [4fca939c89bf725f9efa47606c640e302f8ae9cc](archs/snp_target/4fca939c89bf725f9efa47606c640e302f8ae9cc.json) | 10 | 0.004 | 0.752 | 0.86 |
|
||||
| [0ef9945b08c953586848a8507bc5d057fab7278d](archs/snp_target/0ef9945b08c953586848a8507bc5d057fab7278d.json) | 14 | 0.004 | 0.749 | 0.85 |
|
||||
| [81f407d6f62de129e917c6b4f58021143a5df050](archs/snp_target/81f407d6f62de129e917c6b4f58021143a5df050.json) | 7 | 0.003 | 0.703 | 0.84 |
|
||||
| [d47fc530a155c9c182773fc918fc3f17ed27a9d5](archs/snp_target/d47fc530a155c9c182773fc918fc3f17ed27a9d5.json) | 13 | 0.003 | 0.712 | 0.84 |
|
||||
| [2aa378e5fad84ecc2114f8855a2cd8b02658cbdc](archs/snp_target/2aa378e5fad84ecc2114f8855a2cd8b02658cbdc.json) | 14 | 0.003 | 0.709 | 0.84 |
|
||||
| [a223144f3b12adf3144478e5060bd99ef2a64ae9](archs/snp_target/a223144f3b12adf3144478e5060bd99ef2a64ae9.json) | 13 | 0.003 | 0.693 | 0.83 |
|
||||
| [115fc8c962797a6dfd9c3f24fd5ccb4b60df95df](archs/snp_target/115fc8c962797a6dfd9c3f24fd5ccb4b60df95df.json) | 10 | 0.003 | 0.682 | 0.83 |
|
||||
| [206e6e499eca01389b46c46989588ff04a2f3a42](archs/snp_target/206e6e499eca01389b46c46989588ff04a2f3a42.json) | 14 | 0.003 | 0.688 | 0.83 |
|
||||
| [230f1fe115fac89432f5bccad7a01c65e3bb2918](archs/snp_target/230f1fe115fac89432f5bccad7a01c65e3bb2918.json) | 10 | 0.003 | 0.666 | 0.82 |
|
||||
| [78c76774f378e083c788e56e86978f6d1d9f267c](archs/snp_target/78c76774f378e083c788e56e86978f6d1d9f267c.json) | 10 | 0.003 | 0.659 | 0.82 |
|
||||
| [604ee54bcc767722bbdd3a610246aadca5a32214](archs/snp_target/604ee54bcc767722bbdd3a610246aadca5a32214.json) | 11 | 0.003 | 0.657 | 0.82 |
|
||||
| [c570e333fd94f2d514eb1955fafc9eeeb012e750](archs/snp_target/c570e333fd94f2d514eb1955fafc9eeeb012e750.json) | 9 | 0.003 | 0.636 | 0.80 |
|
||||
| [4786c03a18be281ad2fed235c86a5fe952fb4b0a](archs/snp_target/4786c03a18be281ad2fed235c86a5fe952fb4b0a.json) | 9 | 0.002 | 0.562 | 0.79 |
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 32,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 4,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 4,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 4,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,462 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 0.8
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 32,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 16,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 32,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.5
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 24,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.0
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,578 @@
|
|||
{
|
||||
"stem_stride": 2,
|
||||
"base_ch": 48,
|
||||
"hourglasses": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.6
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"downsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 5,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 2.2
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.2
|
||||
},
|
||||
"4": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 3,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
},
|
||||
"ch_expansion_factor": 1.0
|
||||
}
|
||||
}
|
||||
},
|
||||
"skip_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"upsample_blocks": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"1": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 4,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"2": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 1,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"3": {
|
||||
"layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 2,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv5x5"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"2": {
|
||||
"op": "conv3x3"
|
||||
},
|
||||
"3": {
|
||||
"op": "conv7x7"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
},
|
||||
"post_upsample_layers": {
|
||||
"_config_type": "config_list",
|
||||
"_share_arch": false,
|
||||
"_repeat_times": 0,
|
||||
"_configs": {
|
||||
"0": {
|
||||
"op": "conv7x7"
|
||||
},
|
||||
"1": {
|
||||
"op": "conv3x3"
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
Двоичный файл не отображается.
|
После Ширина: | Высота: | Размер: 436 KiB |
Двоичный файл не отображается.
|
После Ширина: | Высота: | Размер: 42 KiB |
Двоичный файл не отображается.
|
После Ширина: | Высота: | Размер: 32 KiB |
Двоичный файл не отображается.
|
После Ширина: | Высота: | Размер: 42 KiB |
|
|
@ -0,0 +1,25 @@
|
|||
import os
|
||||
from archai.discrete_search.search_spaces.config import ArchConfig
|
||||
from archai.discrete_search.evaluators import TorchNumParameters
|
||||
from archai.discrete_search.api.archai_model import ArchaiModel
|
||||
from search_space.hgnet import StackedHourglass, HgnetSegmentationSearchSpace
|
||||
from archai.common.config import Config
|
||||
|
||||
|
||||
constraint = (1e5, 5e7)
|
||||
evaluator = TorchNumParameters()
|
||||
search_config = Config('confs/cpu_search.yaml')['search']
|
||||
ss_config = search_config['search_space']
|
||||
search_space = HgnetSegmentationSearchSpace(seed=1680312796, **ss_config.get('params', {}))
|
||||
targets = os.path.join('archs', 'snp_target')
|
||||
|
||||
for file in os.listdir(targets):
|
||||
path = os.path.join(targets, file)
|
||||
if os.path.isfile(path) and path.endswith(".json"):
|
||||
config = ArchConfig.from_file(path)
|
||||
model = StackedHourglass(config, **search_space.model_kwargs)
|
||||
archid = os.path.splitext(file)[0]
|
||||
m = ArchaiModel(model, archid, config)
|
||||
num_params = evaluator.evaluate(m, None)
|
||||
if num_params < constraint[0] or num_params > constraint[1]:
|
||||
print(f"Model {file} has {num_params} parameters and is outside the valid range.")
|
||||
|
|
@ -0,0 +1,39 @@
|
|||
search:
|
||||
search_space:
|
||||
name: hgnet
|
||||
|
||||
params:
|
||||
num_classes: 18
|
||||
img_size: [256, 256] # (w, h)
|
||||
in_channels: 3
|
||||
op_subset: ['conv3x3', 'conv5x5', 'conv7x7']
|
||||
stem_strides: [2]
|
||||
|
||||
# Number of downsampling blocks (without counting stem conv)
|
||||
num_blocks: 5
|
||||
|
||||
# Maximum number of layers in downsampling blocks
|
||||
downsample_block_max_ops: 4
|
||||
|
||||
# Maximum number of layers in skip blocks
|
||||
skip_block_max_ops: 2
|
||||
|
||||
# Maximum number of layers in upsampling blocks
|
||||
upsample_block_max_ops: 4
|
||||
|
||||
# Maximum number of layers after the final upsampling layer
|
||||
post_upsample_max_ops: 2
|
||||
|
||||
algorithm:
|
||||
name: evolution_pareto
|
||||
|
||||
params:
|
||||
num_iters: 20
|
||||
init_num_models: 20
|
||||
mutations_per_parent: 5
|
||||
num_crossovers: 10
|
||||
max_unseen_population: 50
|
||||
num_random_mix: 5
|
||||
|
||||
target:
|
||||
name: cpu
|
||||
|
|
@ -0,0 +1,47 @@
|
|||
search:
|
||||
search_space:
|
||||
name: hgnet
|
||||
|
||||
params:
|
||||
num_classes: 18
|
||||
img_size: [256, 256] # (w, h)
|
||||
in_channels: 3
|
||||
op_subset: ['conv3x3', 'conv5x5', 'conv7x7']
|
||||
stem_strides: [2]
|
||||
|
||||
# Number of downsampling blocks (without counting stem conv)
|
||||
num_blocks: 5
|
||||
|
||||
# Maximum number of layers in downsampling blocks
|
||||
downsample_block_max_ops: 4
|
||||
|
||||
# Maximum number of layers in skip blocks
|
||||
skip_block_max_ops: 2
|
||||
|
||||
# Maximum number of layers in upsampling blocks
|
||||
upsample_block_max_ops: 4
|
||||
|
||||
# Maximum number of layers after the final upsampling layer
|
||||
post_upsample_max_ops: 2
|
||||
|
||||
algorithm:
|
||||
name: evolution_pareto
|
||||
|
||||
params:
|
||||
num_iters: 20
|
||||
init_num_models: 20
|
||||
mutations_per_parent: 5
|
||||
num_crossovers: 6
|
||||
max_unseen_population: 20
|
||||
num_random_mix: 6
|
||||
|
||||
target:
|
||||
name: snp
|
||||
connection_str_env_var: MODEL_STORAGE_CONNECTION_STRING
|
||||
blob_container_name: models
|
||||
table_name: status
|
||||
partition_key: main
|
||||
max_retries: 15
|
||||
retry_interval: 120
|
||||
metric_key: mean
|
||||
verbose: true
|
||||
|
|
@ -0,0 +1,60 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
from pathlib import Path
|
||||
import torch
|
||||
import os
|
||||
from argparse import ArgumentParser
|
||||
from archai.discrete_search.search_spaces.config import ArchConfig
|
||||
from search_space.hgnet import StackedHourglass
|
||||
|
||||
|
||||
def export(checkpoint, model, onnx_file):
|
||||
state_dict = checkpoint['state_dict']
|
||||
# strip 'model.' prefix off the keys!
|
||||
state_dict = dict({(k[6:], state_dict[k]) for k in state_dict})
|
||||
model.load_state_dict(state_dict)
|
||||
input_shapes = [(1, 3, 256, 256)]
|
||||
rand_range = (0.0, 1.0)
|
||||
export_kwargs = {'opset_version': 11}
|
||||
rand_min, rand_max = rand_range
|
||||
sample_inputs = tuple(
|
||||
[
|
||||
((rand_max - rand_min) * torch.rand(*input_shape) + rand_min).type("torch.FloatTensor")
|
||||
for input_shape in input_shapes
|
||||
]
|
||||
)
|
||||
|
||||
torch.onnx.export(
|
||||
model,
|
||||
sample_inputs,
|
||||
onnx_file,
|
||||
input_names=[f"input_{i}" for i in range(len(sample_inputs))],
|
||||
**export_kwargs,
|
||||
)
|
||||
|
||||
print(f'Exported {onnx_file}')
|
||||
|
||||
|
||||
def main():
|
||||
parser = ArgumentParser(
|
||||
"Converts the final_model.ckpt to final_model.onnx, writing the onnx model to the same folder."
|
||||
)
|
||||
parser.add_argument('arch', type=Path, help="Path to config.json file describing the model architecture")
|
||||
parser.add_argument('--checkpoint', help="Path of the checkpoint to export")
|
||||
|
||||
args = parser.parse_args()
|
||||
|
||||
checkpoint = torch.load(args.checkpoint)
|
||||
|
||||
# get the directory name from args.checkpoint
|
||||
output_path = os.path.dirname(os.path.realpath(args.checkpoint))
|
||||
base_name = os.path.splitext(os.path.basename(args.checkpoint))[0]
|
||||
onnx_file = os.path.join(output_path, f'{base_name}.onnx')
|
||||
|
||||
arch_config = ArchConfig.from_file(args.arch)
|
||||
model = StackedHourglass(arch_config, num_classes=18)
|
||||
export(checkpoint, model, onnx_file)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
main()
|
||||
|
|
@ -0,0 +1,166 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import os
|
||||
import sys
|
||||
import itertools
|
||||
from pathlib import Path
|
||||
from argparse import ArgumentParser
|
||||
from typing import List, Optional
|
||||
|
||||
|
||||
from archai.common.config import Config
|
||||
from archai.common.store import ArchaiStore
|
||||
from archai.datasets.cv.face_synthetics import FaceSyntheticsDatasetProvider
|
||||
from archai.discrete_search.api import SearchObjectives
|
||||
from archai.discrete_search.algos import (
|
||||
MoBananasSearch, EvolutionParetoSearch, LocalSearch,
|
||||
RandomSearch, RegularizedEvolutionSearch
|
||||
)
|
||||
from archai.discrete_search.evaluators import TorchNumParameters, AvgOnnxLatency, RayParallelEvaluator
|
||||
from archai.discrete_search.evaluators.remote_azure_benchmark import RemoteAzureBenchmarkEvaluator
|
||||
|
||||
from search_space.hgnet import HgnetSegmentationSearchSpace
|
||||
from training.partial_training_evaluator import PartialTrainingValIOU
|
||||
|
||||
AVAILABLE_ALGOS = {
|
||||
'mo_bananas': MoBananasSearch,
|
||||
'evolution_pareto': EvolutionParetoSearch,
|
||||
'local_search': LocalSearch,
|
||||
'random_search': RandomSearch,
|
||||
'regularized_evolution': RegularizedEvolutionSearch
|
||||
}
|
||||
|
||||
AVAILABLE_SEARCH_SPACES = {
|
||||
'hgnet': HgnetSegmentationSearchSpace,
|
||||
}
|
||||
|
||||
confs_path = Path(__file__).absolute().parent / 'confs'
|
||||
|
||||
|
||||
def filter_extra_args(extra_args: List[str], prefix: str) -> List[str]:
|
||||
return list(itertools.chain([
|
||||
[arg, val]
|
||||
for arg, val in zip(extra_args[::2], extra_args[1::2])
|
||||
if arg.startswith(prefix)
|
||||
]))
|
||||
|
||||
|
||||
def main():
|
||||
parser = ArgumentParser()
|
||||
parser.add_argument('--dataset_dir', type=Path, help='Face Synthetics dataset directory.', required=True)
|
||||
parser.add_argument('--output_dir', type=Path, help='Output directory.', required=True)
|
||||
parser.add_argument('--search_config', type=Path, help='Search config file.', default=confs_path / 'cpu_search.yaml')
|
||||
parser.add_argument('--serial_training', help='Search config file.', action='store_true')
|
||||
parser.add_argument('--gpus_per_job', type=float, help='Number of GPUs used per job (if `serial_training` flag is disabled)',
|
||||
default=0.5)
|
||||
parser.add_argument('--partial_tr_epochs', type=float, help='Number of epochs to run partial training', default=1.0)
|
||||
parser.add_argument('--seed', type=int, help='Random seed', default=42)
|
||||
parser.add_argument('--max_parameters', type=float, help='Specify a maximum number of parameters in the model (default 50M or 5e7).', default=5e7)
|
||||
|
||||
args, extra_args = parser.parse_known_args()
|
||||
|
||||
# Filters extra args that have the prefix `search_space`
|
||||
search_extra_args = filter_extra_args(extra_args, 'search.')
|
||||
search_config = Config(str(args.search_config), search_extra_args)['search']
|
||||
|
||||
# Search space
|
||||
ss_config = search_config['search_space']
|
||||
|
||||
search_space = AVAILABLE_SEARCH_SPACES[ss_config['name']](
|
||||
seed=args.seed,
|
||||
**ss_config.get('params', {}),
|
||||
)
|
||||
|
||||
input_shape = (1, search_space.in_channels, *search_space.img_size[::-1])
|
||||
|
||||
# Search objectives
|
||||
so = SearchObjectives()
|
||||
|
||||
target_config = search_config.get('target', {})
|
||||
target_name = target_config.pop('name', 'cpu')
|
||||
assert target_name in ['cpu', 'snp']
|
||||
|
||||
max_latency = 0.3 if target_name == 'cpu' else 0.185
|
||||
|
||||
# Adds a constraint on number of parameters so we don't sample models that are too large
|
||||
so.add_constraint(
|
||||
'Model Size (b)',
|
||||
TorchNumParameters(),
|
||||
constraint=(1e6, args.max_parameters)
|
||||
)
|
||||
|
||||
# Adds a constrained objective on model latency so we don't pick models that are too slow.
|
||||
so.add_objective(
|
||||
'CPU ONNX Latency (s)',
|
||||
AvgOnnxLatency(
|
||||
input_shape=input_shape, export_kwargs={'opset_version': 11}
|
||||
),
|
||||
higher_is_better=False,
|
||||
compute_intensive=False,
|
||||
constraint=[0, max_latency]
|
||||
)
|
||||
|
||||
if target_name == 'snp':
|
||||
# Gets connection string from env variable
|
||||
env_var_name = target_config.pop('connection_str_env_var')
|
||||
con_str = os.getenv(env_var_name)
|
||||
if not con_str:
|
||||
print("Please set environment variable {env_var_name} containing the Azure storage account connection " +
|
||||
"string for the Azure storage account you want to use to control this experiment.")
|
||||
sys.exit(1)
|
||||
|
||||
blob_container_name = target_config.pop('blob_container_name', 'models')
|
||||
table_name = target_config.pop('table_name', 'status')
|
||||
partition_key = target_config.pop('partition_key', 'main')
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key, blob_container_name, table_name, partition_key)
|
||||
|
||||
evaluator = RemoteAzureBenchmarkEvaluator(
|
||||
input_shape=input_shape,
|
||||
store=store,
|
||||
onnx_export_kwargs={'opset_version': 11},
|
||||
**target_config
|
||||
)
|
||||
|
||||
so.add_objective(
|
||||
'SNP Quantized Latency (s)',
|
||||
evaluator,
|
||||
higher_is_better=False,
|
||||
compute_intensive=True
|
||||
)
|
||||
|
||||
# Dataset provider
|
||||
dataset_provider = FaceSyntheticsDatasetProvider(args.dataset_dir)
|
||||
|
||||
partial_tr_obj = PartialTrainingValIOU(
|
||||
dataset_provider,
|
||||
tr_epochs=args.partial_tr_epochs,
|
||||
output_dir=args.output_dir / 'partial_training_logs'
|
||||
)
|
||||
|
||||
if not args.serial_training:
|
||||
partial_tr_obj = RayParallelEvaluator(
|
||||
partial_tr_obj, num_gpus=args.gpus_per_job,
|
||||
max_calls=1
|
||||
)
|
||||
|
||||
so.add_objective(
|
||||
'Partial Training Val. IOU',
|
||||
partial_tr_obj,
|
||||
higher_is_better=True,
|
||||
compute_intensive=True
|
||||
)
|
||||
|
||||
# Search algorithm
|
||||
algo_config = search_config['algorithm']
|
||||
algo = AVAILABLE_ALGOS[algo_config['name']](
|
||||
search_space, so,
|
||||
output_dir=args.output_dir, seed=args.seed,
|
||||
**algo_config.get('params', {}),
|
||||
)
|
||||
|
||||
algo.search()
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
main()
|
||||
|
|
@ -0,0 +1,224 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
from functools import partial
|
||||
from typing import Tuple, Optional, List
|
||||
|
||||
import torch
|
||||
from torch import nn
|
||||
|
||||
from archai.discrete_search.search_spaces.config import (
|
||||
ArchConfig, ArchParamTree, DiscreteChoice, ConfigSearchSpace, repeat_config
|
||||
)
|
||||
from .ops import ReluConv2d, Conv2dSamePadding, OPS
|
||||
|
||||
|
||||
def hgnet_param_tree_factory(stem_strides: Tuple[int, ...] = (2, 4),
|
||||
max_num_hourglass: int = 2,
|
||||
share_hourglass_arch: bool = False,
|
||||
base_channels: Tuple[int, ...] = (16, 24, 32, 48),
|
||||
op_subset: Tuple[str, ...] = ('conv3x3', 'conv5x5', 'conv7x7'),
|
||||
num_blocks: int = 4,
|
||||
downsample_block_max_ops: int = 5,
|
||||
post_upsample_max_ops: int = 3,
|
||||
skip_block_max_ops: int = 3,
|
||||
upsample_block_max_ops: int = 4):
|
||||
assert num_blocks > 1, 'num_blocks must be greater than 1'
|
||||
|
||||
return ArchParamTree({
|
||||
'stem_stride': DiscreteChoice(stem_strides),
|
||||
'base_ch': DiscreteChoice(base_channels),
|
||||
|
||||
'hourglasses': repeat_config({
|
||||
|
||||
'downsample_blocks': repeat_config({
|
||||
'layers': repeat_config({
|
||||
'op': DiscreteChoice(op_subset)
|
||||
}, repeat_times=range(1, downsample_block_max_ops + 1), share_arch=False),
|
||||
|
||||
'ch_expansion_factor': DiscreteChoice([1.0, 1.2, 1.5, 1.6, 2.0, 2.2]),
|
||||
}, repeat_times=num_blocks),
|
||||
|
||||
'skip_blocks': repeat_config({
|
||||
'layers': repeat_config({
|
||||
'op': DiscreteChoice(op_subset)
|
||||
}, repeat_times=range(0, skip_block_max_ops+1), share_arch=False),
|
||||
}, repeat_times=num_blocks-1),
|
||||
|
||||
'upsample_blocks': repeat_config({
|
||||
'layers': repeat_config({
|
||||
'op': DiscreteChoice(op_subset)
|
||||
}, repeat_times=range(1, upsample_block_max_ops+1), share_arch=False),
|
||||
}, repeat_times=num_blocks-1),
|
||||
}, repeat_times=range(1, max_num_hourglass+1), share_arch=share_hourglass_arch),
|
||||
|
||||
'post_upsample_layers': repeat_config({
|
||||
'op': DiscreteChoice(op_subset)
|
||||
}, repeat_times=range(0, post_upsample_max_ops+1), share_arch=False)
|
||||
})
|
||||
|
||||
|
||||
class Hourglass(nn.Module):
|
||||
def __init__(self, arch_config: ArchConfig, base_channels: int):
|
||||
super().__init__()
|
||||
self.base_channels = base_channels
|
||||
|
||||
self.upsample = nn.UpsamplingBilinear2d(scale_factor=2)
|
||||
self.chs = [self.base_channels]
|
||||
|
||||
# Calculates channels on each branch
|
||||
for block_cfg in arch_config.pick('downsample_blocks'):
|
||||
self.chs.append(
|
||||
int(self.chs[-1] * block_cfg.pick('ch_expansion_factor'))
|
||||
)
|
||||
|
||||
self.nb_blocks = len(self.chs) - 1
|
||||
|
||||
# Downsample blocks
|
||||
self.down_blocks = nn.ModuleList()
|
||||
for block_idx, block_cfg in enumerate(arch_config.pick('downsample_blocks')):
|
||||
in_ch, out_ch = self.chs[block_idx], self.chs[block_idx + 1]
|
||||
|
||||
down_block = [
|
||||
OPS[layer_cfg.pick('op')](
|
||||
(in_ch if layer_idx == 0 else out_ch),
|
||||
out_ch,
|
||||
stride=(2 if (layer_idx == 0 and block_idx > 0) else 1)
|
||||
)
|
||||
for layer_idx, layer_cfg in enumerate(block_cfg.pick('layers'))
|
||||
]
|
||||
|
||||
self.down_blocks.append(nn.Sequential(*down_block))
|
||||
|
||||
# Skip blocks
|
||||
self.skip_blocks = nn.ModuleList()
|
||||
for block_idx, block_cfg in enumerate(arch_config.pick('skip_blocks')):
|
||||
out_ch = self.chs[block_idx + 1]
|
||||
|
||||
skip_block = [
|
||||
OPS.get(layer_cfg.pick('op'))(out_ch, out_ch)
|
||||
for layer_idx, layer_cfg in enumerate(block_cfg.pick('layers'))
|
||||
]
|
||||
|
||||
self.skip_blocks.append(nn.Sequential(*skip_block))
|
||||
|
||||
# Upsample blocks
|
||||
self.up_blocks = nn.ModuleList()
|
||||
for block_idx, block_cfg in enumerate(arch_config.pick('upsample_blocks')):
|
||||
in_ch, out_ch = self.chs[block_idx + 1], self.chs[block_idx + 2]
|
||||
|
||||
up_block = [
|
||||
OPS.get(layer_cfg.pick('op'))(
|
||||
(out_ch if layer_idx == 0 else in_ch), in_ch
|
||||
)
|
||||
for layer_idx, layer_cfg in enumerate(block_cfg.pick('layers'))
|
||||
]
|
||||
|
||||
self.up_blocks.append(nn.Sequential(*up_block))
|
||||
|
||||
# Converts output to `base_channels`
|
||||
self.final_conv = nn.Conv2d(self.chs[1], base_channels, kernel_size=1)
|
||||
|
||||
def forward(self, x: torch.FloatTensor) -> torch.FloatTensor:
|
||||
skip_connections = [0 for _ in range(self.nb_blocks - 1)]
|
||||
inp = x
|
||||
|
||||
for i in range(self.nb_blocks - 1):
|
||||
out = self.down_blocks[i](inp)
|
||||
skip_connections[i] = self.skip_blocks[i](out)
|
||||
inp = out
|
||||
|
||||
# Last downsample branch
|
||||
out = self.down_blocks[-1](inp)
|
||||
|
||||
for i in range(self.nb_blocks - 1)[::-1]:
|
||||
out = skip_connections[i] + self.up_blocks[i](self.upsample(out))
|
||||
|
||||
return self.final_conv(out)
|
||||
|
||||
|
||||
class StackedHourglass(nn.Module):
|
||||
def __init__(self, arch_config: ArchConfig, num_classes: int, in_channels: int = 3):
|
||||
super().__init__()
|
||||
|
||||
self.num_classes = num_classes
|
||||
self.in_channels = in_channels
|
||||
self.arch_config = arch_config
|
||||
self.base_channels = arch_config.pick('base_ch')
|
||||
|
||||
# Classifier
|
||||
self.classifier = nn.Conv2d(self.base_channels, num_classes, kernel_size=1)
|
||||
|
||||
# Stem convolution
|
||||
self.stem_stride = arch_config.pick('stem_stride')
|
||||
self.stem_conv = ReluConv2d(
|
||||
in_channels=in_channels, out_channels=self.base_channels,
|
||||
stride=self.stem_stride
|
||||
)
|
||||
|
||||
self.final_upsample = nn.UpsamplingBilinear2d(scale_factor=self.stem_stride)
|
||||
|
||||
self.hgs = nn.Sequential(*[
|
||||
Hourglass(hg_conf, self.base_channels)
|
||||
for hg_conf in arch_config.pick('hourglasses')
|
||||
])
|
||||
|
||||
self.post_upsample = nn.Sequential(*[
|
||||
OPS[layer_cfg.pick('op')](self.base_channels, self.base_channels)
|
||||
for layer_cfg in arch_config.pick('post_upsample_layers')
|
||||
])
|
||||
|
||||
self.classifier = Conv2dSamePadding(self.base_channels, num_classes, kernel_size=1)
|
||||
|
||||
def forward(self, x: torch.Tensor) -> torch.Tensor:
|
||||
out = self.stem_conv(x)
|
||||
out = self.hgs(out)
|
||||
out = self.post_upsample(self.final_upsample(out))
|
||||
|
||||
return self.classifier(out)
|
||||
|
||||
|
||||
class HgnetSegmentationSearchSpace(ConfigSearchSpace):
|
||||
def __init__(self,
|
||||
num_classes: int,
|
||||
img_size: Tuple[int, int],
|
||||
in_channels: int = 3,
|
||||
op_subset: Tuple[str, ...] = ('conv3x3', 'conv5x5', 'conv7x7'),
|
||||
stem_strides: Tuple[int, ...] = (1, 2, 4),
|
||||
num_blocks: int = 4,
|
||||
downsample_block_max_ops: int = 4,
|
||||
skip_block_max_ops: int = 2,
|
||||
upsample_block_max_ops: int = 4,
|
||||
post_upsample_max_ops: int = 3,
|
||||
**ss_kwargs):
|
||||
|
||||
possible_downsample_factors = [
|
||||
2**num_blocks * stem_stride for stem_stride in stem_strides
|
||||
]
|
||||
|
||||
w, h = img_size
|
||||
|
||||
assert all(w % d_factor == 0 for d_factor in possible_downsample_factors), \
|
||||
f'Image width must be divisible by all possible downsample factors ({2**num_blocks} * stem_stride)'
|
||||
|
||||
assert all(h % d_factor == 0 for d_factor in possible_downsample_factors), \
|
||||
f'Image height must be divisible by all possible downsample factors ({2**num_blocks} * stem_stride)'
|
||||
|
||||
ss_kwargs['builder_kwargs'] = {
|
||||
'op_subset': op_subset,
|
||||
'stem_strides': stem_strides,
|
||||
'num_blocks': num_blocks,
|
||||
'downsample_block_max_ops': downsample_block_max_ops,
|
||||
'skip_block_max_ops': skip_block_max_ops,
|
||||
'upsample_block_max_ops': upsample_block_max_ops,
|
||||
'post_upsample_max_ops': post_upsample_max_ops
|
||||
}
|
||||
|
||||
ss_kwargs['model_kwargs'] = {
|
||||
'num_classes': num_classes,
|
||||
'in_channels': in_channels,
|
||||
}
|
||||
|
||||
self.img_size = img_size
|
||||
self.in_channels = in_channels
|
||||
|
||||
super().__init__(StackedHourglass, hgnet_param_tree_factory, **ss_kwargs)
|
||||
|
|
@ -0,0 +1,49 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
from functools import partial
|
||||
from itertools import chain
|
||||
|
||||
import torch
|
||||
from torch import nn
|
||||
|
||||
|
||||
class Conv2dSamePadding(nn.Conv2d):
|
||||
__doc__ = nn.Conv2d.__doc__
|
||||
|
||||
def __init__(self, *args, **kwargs):
|
||||
super().__init__(*args, **kwargs)
|
||||
|
||||
pad_shape = tuple(chain(*[
|
||||
[k // 2 + (k - 2 * (k // 2)) - 1, k // 2]
|
||||
for k in self.kernel_size[::-1]
|
||||
]))
|
||||
|
||||
self.pad = nn.ZeroPad2d(pad_shape)
|
||||
|
||||
def forward(self, x: torch.Tensor) -> torch.Tensor:
|
||||
return self._conv_forward(self.pad(x), self.weight, self.bias)
|
||||
|
||||
|
||||
class ReluConv2d(nn.Module):
|
||||
def __init__(self, in_channels: int, out_channels: int,
|
||||
kernel_size: int = 3, stride: int = 1,
|
||||
bias: bool = False, **kwargs):
|
||||
super().__init__()
|
||||
|
||||
self.conv = Conv2dSamePadding(
|
||||
in_channels, out_channels, kernel_size=kernel_size,
|
||||
stride=stride, bias=bias
|
||||
)
|
||||
|
||||
self.bn = nn.BatchNorm2d(out_channels)
|
||||
self.act = nn.ReLU()
|
||||
|
||||
def forward(self, x: torch.Tensor):
|
||||
return self.act(self.bn(self.conv(x)))
|
||||
|
||||
|
||||
OPS = {
|
||||
'conv3x3': partial(ReluConv2d, kernel_size=3),
|
||||
'conv5x5': partial(ReluConv2d, kernel_size=5),
|
||||
'conv7x7': partial(ReluConv2d, kernel_size=7),
|
||||
}
|
||||
|
|
@ -0,0 +1,3 @@
|
|||
[flake8]
|
||||
ignore = E111,E402,E722,W503,W504,F405,F403
|
||||
max-line-length = 120
|
||||
|
|
@ -0,0 +1,17 @@
|
|||
{
|
||||
// Use IntelliSense to learn about possible attributes.
|
||||
// Hover to view descriptions of existing attributes.
|
||||
// For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387
|
||||
"version": "0.2.0",
|
||||
"configurations": [
|
||||
{
|
||||
"name": "Python: Current File",
|
||||
"type": "python",
|
||||
"request": "launch",
|
||||
"program": "${file}",
|
||||
"console": "integratedTerminal",
|
||||
"justMyCode": true,
|
||||
"args":["001c3ee6c74e05e63252b1ba3dfc58ca3cbb4f56"]
|
||||
}
|
||||
]
|
||||
}
|
||||
|
|
@ -0,0 +1,52 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import os
|
||||
import json
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def cleanup_stale_pods(store: ArchaiStore):
|
||||
""" This script looks for kubernetes pods that are no longer running (e.g. the pod may have run out of
|
||||
memory or may have been stopped for whatever reason) and cleans up the state in our status table to
|
||||
ensure the job doesn't get zombied, it will be picked up by the next available pod. """
|
||||
|
||||
SCRIPT_DIR = os.path.dirname(__file__)
|
||||
sys.path += [os.path.join(SCRIPT_DIR, '..', 'util')]
|
||||
from shell import Shell
|
||||
shell = Shell()
|
||||
podinfo = shell.run(os.getcwd(), "kubectl get pods -n snpe -o json", print_output=False)
|
||||
podinfo = json.loads(podinfo)
|
||||
running = []
|
||||
for row in podinfo['items']:
|
||||
name = row['metadata']['name']
|
||||
status = row['status']['phase']
|
||||
if status == 'Running':
|
||||
running += [name]
|
||||
print(name, status)
|
||||
|
||||
# unlock rows that belong to non-existent kubernetes pods.
|
||||
for e in store.get_all_status_entities(status='completed', not_equal=True):
|
||||
name = e['name']
|
||||
if 'node' in e and e['node']:
|
||||
node = e['node']
|
||||
status = e['status'] if 'status' in e else 'none'
|
||||
print(f"Found lock by {node} with status {status}")
|
||||
if node.startswith('snpe-quantizer') and node not in running:
|
||||
print(f"Clearing lock on non-existant pod: {node}")
|
||||
del e['node']
|
||||
store.update_status_entity(e)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
cleanup_stale_pods(store)
|
||||
|
|
@ -0,0 +1,50 @@
|
|||
import argparse
|
||||
import csv
|
||||
|
||||
|
||||
def read_status(filename):
|
||||
header = None
|
||||
with open(filename, 'r') as f:
|
||||
reader = csv.reader(f, delimiter=',')
|
||||
for row in reader:
|
||||
header = [x.strip() for x in row]
|
||||
break
|
||||
result = {}
|
||||
with open(filename, 'r') as f:
|
||||
reader = csv.DictReader(f, fieldnames=header, delimiter=',')
|
||||
next(reader) # skip the header row.
|
||||
for row in reader:
|
||||
if 'name' in row:
|
||||
key = row['name']
|
||||
result[key] = row
|
||||
return result
|
||||
|
||||
|
||||
def compare(file1, file2):
|
||||
m1 = read_status(file1)
|
||||
m2 = read_status(file2)
|
||||
for key in m1:
|
||||
if key in m2:
|
||||
r1 = m1[key]
|
||||
r2 = m2[key]
|
||||
if 'mean' not in r1:
|
||||
print(f'model {key} in {file1} is missing: mean')
|
||||
elif 'mean' not in r2:
|
||||
print(f'model {key} is {file2} missing: mean')
|
||||
elif 'f1_1k' not in r1:
|
||||
print(f'model {key} in {file1} is missing: f1_1k')
|
||||
elif 'f1_1k' not in r2:
|
||||
print(f'model {key} is {file2} missing: f1_1k')
|
||||
else:
|
||||
print(f"{key}, {r1['mean']}, {r2['mean']}, {r1['f1_1k']}, {r2['f1_1k']}")
|
||||
else:
|
||||
print(f'model {key} NOT FOUND in {file2}')
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
parser = argparse.ArgumentParser(
|
||||
description='Compare the results from 2 status files in .csv format.')
|
||||
parser.add_argument('file1', help='The first .csv file name.')
|
||||
parser.add_argument('file2', help='The second .csv file name.')
|
||||
args = parser.parse_args()
|
||||
compare(args.file1, args.file2)
|
||||
|
|
@ -0,0 +1,29 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def delete(con_str):
|
||||
parser = argparse.ArgumentParser(description='Delete a model from azure using its friendly name')
|
||||
parser.add_argument('name', help='The friendly name allocated by the upload script.')
|
||||
parser.add_argument('--file', help='Delete just the one file associated with the friendly name.')
|
||||
args = parser.parse_args()
|
||||
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
store.delete_blobs(args.name, args.file)
|
||||
if not args.file:
|
||||
store.delete_status(args.name)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
delete(con_str)
|
||||
|
|
@ -0,0 +1,39 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def download(con_str):
|
||||
parser = argparse.ArgumentParser(
|
||||
description="Download assets from azure blob store using friendly name.")
|
||||
parser.add_argument('--name', help='Friendly name of model to download (if not provided it downloads them all')
|
||||
parser.add_argument('--file', help='The optional name of the files to download instead of getting them all.')
|
||||
args = parser.parse_args()
|
||||
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
friendly_name = args.name
|
||||
if not friendly_name:
|
||||
friendly_names = [e['name'] for e in store.get_all_status_entities()]
|
||||
else:
|
||||
friendly_names = [friendly_name]
|
||||
|
||||
specific_file = args.file
|
||||
|
||||
for friendly_name in friendly_names:
|
||||
downloaded = store.download(friendly_name, friendly_name, specific_file)
|
||||
if len(downloaded) == 0 and specific_file:
|
||||
print(f"file {specific_file} not found")
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
download(con_str)
|
||||
|
|
@ -0,0 +1,80 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
import json
|
||||
import statistics
|
||||
from status import get_all_status_entities, update_status_entity
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
STDEV_THRESHOLD = 10 # redo any runs that have a stdev > 10% of the mean.
|
||||
MAX_COUNT = 100
|
||||
|
||||
|
||||
def find_unsteady_runs(threshold, reset, limit=None):
|
||||
conn_string = os.getenv(CONNECTION_NAME)
|
||||
if not conn_string:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
|
||||
wobbly = []
|
||||
# Check standard deviation and if it is more than %5 of the mean then
|
||||
# reset the total_inference_avg so it re-runs.
|
||||
for e in get_all_status_entities():
|
||||
name = e['name']
|
||||
if 'total_inference_avg' in e and 'model_date' in e:
|
||||
total_inference_avg = json.loads(e['total_inference_avg'])
|
||||
if len(total_inference_avg) < 2:
|
||||
continue
|
||||
stdev = int(statistics.stdev(total_inference_avg))
|
||||
mean = int(statistics.mean(total_inference_avg))
|
||||
changed = False
|
||||
if 'stdev' not in e:
|
||||
e['stdev'] = int((stdev * 100) / mean)
|
||||
changed = True
|
||||
r = int(stdev * 100 / mean)
|
||||
if r >= threshold:
|
||||
print(f"Found {name}, with mean {mean}, stdev {stdev} which is {r}% of the mean")
|
||||
wobbly += [e]
|
||||
|
||||
if changed:
|
||||
update_status_entity(e)
|
||||
|
||||
if reset:
|
||||
s = sorted(wobbly, key=lambda e: e['model_date'])
|
||||
s.reverse()
|
||||
if limit:
|
||||
print(f"Found {len(s)} wobbly jobs, but limiting reset to the newest {limit} jobs")
|
||||
s = s[0:limit]
|
||||
|
||||
for e in s:
|
||||
name = e['name']
|
||||
print(f"Resetting {name} total_inference_avg={e['total_inference_avg']}...")
|
||||
del e['total_inference_avg']
|
||||
e['status'] = 'reset'
|
||||
update_status_entity(e)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
parser = argparse.ArgumentParser(
|
||||
description='Reset jobs that have a stdev above a given percentage level ' +
|
||||
'and optionally reset them so they they run again.')
|
||||
parser.add_argument(
|
||||
'--threshold', type=int,
|
||||
help=f'What percentage stddev to use as threshold (default {STDEV_THRESHOLD}).',
|
||||
default=STDEV_THRESHOLD)
|
||||
parser.add_argument(
|
||||
'--limit', type=int,
|
||||
help=f'Maximum number of jobs to reset (default {MAX_COUNT}).',
|
||||
default=MAX_COUNT)
|
||||
parser.add_argument(
|
||||
'--reset',
|
||||
help='Reset the runs found to be unsteady so they run again.',
|
||||
action="store_true")
|
||||
args = parser.parse_args()
|
||||
if args.threshold < 1:
|
||||
print("### threshold must be greater than 1")
|
||||
else:
|
||||
find_unsteady_runs(args.threshold, args.reset, args.limit)
|
||||
|
|
@ -0,0 +1,30 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def list_models(con_str):
|
||||
parser = argparse.ArgumentParser(
|
||||
description="List all azure blob store assets.")
|
||||
parser.add_argument('--prefix', type=str, required=True, default=None,
|
||||
help='List models matching this prefix')
|
||||
args = parser.parse_args()
|
||||
prefix = args.prefix
|
||||
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
for blob in store.list_blobs(prefix):
|
||||
print(blob)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
list_models(con_str)
|
||||
|
|
@ -0,0 +1,17 @@
|
|||
#!/bin/bash
|
||||
# If the python app runs out of memory due to various leaks in python libraries
|
||||
# the process terminates with 'killed', this loop will restart the runner.
|
||||
script_dir="$(dirname ${BASH_SOURCE})"
|
||||
|
||||
source ~/anaconda3/etc/profile.d/conda.sh
|
||||
conda activate snap37
|
||||
|
||||
while true
|
||||
do
|
||||
python ${script_dir}/runner.py $@
|
||||
if [ $? != 0 ]; then
|
||||
exit 0
|
||||
fi
|
||||
echo "sleeping for 30 seconds..."
|
||||
sleep 30
|
||||
done
|
||||
|
|
@ -0,0 +1,56 @@
|
|||
# Azure Setup
|
||||
|
||||
This Azure code connects to an Azure Storage account by a connection string setup in an environment variable named
|
||||
`MODEL_STORAGE_CONNECTION_STRING`.
|
||||
|
||||
There is a handy [setup.ps1](../docker/quantizer/setup.ps1) powershell script that will setup a new Azure Storage
|
||||
account and print this connection string key for you using the Azure CLI.
|
||||
|
||||
You can get the connection string from your Azure Storage account under `Access Keys` and `Show Keys` and copy the one
|
||||
named `Connection string`.
|
||||
|
||||
In Linux you should use double quotes around the connection string like this:
|
||||
|
||||
```
|
||||
export MODEL_STORAGE_CONNECTION_STRING="DefaultEndpointsProtocol=https;AccountName=mymodels;AccountKey=...==;EndpointSuffix=core.windows.net"
|
||||
```
|
||||
|
||||
You'll use it a lot so it is handy if you put it in your `~/.profile`.
|
||||
|
||||
Then you can use the scripts here as follows:
|
||||
|
||||
1. `upload.py` - upload a new model, it will allocate a friendly name for your model if you
|
||||
can't think of one. All the charts and graphs and tables are more readable if you stick with
|
||||
the allocated friendly names. But the actual model file names can be whatever large name you need.
|
||||
|
||||
1. `download.py` - can download all azure blob assets associated with the given friendly name.
|
||||
This can include the .onnx model, all test results, and converted .dlc models.
|
||||
|
||||
1. `priority_queue.py` - is just a helper class.
|
||||
|
||||
1. `reset.py` - sometimes you want to re-test a model if something went wrong, this can reset
|
||||
the `state` of a job by it's friendly name.
|
||||
|
||||
1. `status.py` - can download all the status info from the Azure Table in .csv format.
|
||||
|
||||
1. `delete.py` - sometimes a model turns out to be junk, so you can delete a row in the table and it's
|
||||
associated azure blob folder with this handy script.
|
||||
|
||||
1. `runner.py` - this is the magic script that runs everything. See below.
|
||||
|
||||
## Runner
|
||||
|
||||
Then to get the ball rolling create a temp folder and run this:
|
||||
|
||||
```
|
||||
mkdir -p ~/experiment
|
||||
python ~/git/archai/tasks/face_Segmentation/snpe/azure/runner.py --working ~/experiment
|
||||
```
|
||||
|
||||
This will monitor the Azure blob store for new work to do, and run those jobs in priority order. If you also provide a
|
||||
`--device` option pointing to the `adb device` for a Qualcomm 888 Dev Board then it will also run the quantized models
|
||||
on that device and report the performance and F1 score results.
|
||||
|
||||
If you setup a quantization only runner in the cloud using the `docker/quantizer` image, you can pass
|
||||
`--no_quantization` argument when you have a `--device` so that the local runs do not do quantization. This will stop
|
||||
your linux machine from getting overloaded with quantization work so it can focus on the SNPE device workloads.
|
||||
|
|
@ -0,0 +1,124 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
import dateutil.parser
|
||||
import datetime
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def parse_date(date):
|
||||
s = f"{date}".strip()
|
||||
date = dateutil.parser.isoparse(s)
|
||||
date = date.replace(tzinfo=datetime.timezone.utc)
|
||||
return date
|
||||
|
||||
|
||||
def get_usage_by_device(store: ArchaiStore, report_start, report_end):
|
||||
devices = {}
|
||||
|
||||
first = None
|
||||
last = None
|
||||
|
||||
for e in store.get_all_status_entities():
|
||||
device = e['name']
|
||||
start = parse_date(e['start'])
|
||||
end = parse_date(e['end'])
|
||||
if report_start is not None and report_start > start:
|
||||
continue
|
||||
if report_end is not None and report_end < start:
|
||||
continue
|
||||
if report_end is not None and end > report_end:
|
||||
end = report_end
|
||||
if device not in devices:
|
||||
devices[device] = []
|
||||
devices[device] += [(start, end)]
|
||||
if first is None or start < first:
|
||||
first = start
|
||||
if last is None or end > last:
|
||||
last = end
|
||||
|
||||
return (devices, first, last)
|
||||
|
||||
|
||||
def report(store: ArchaiStore, report_start, report_end):
|
||||
devices, first, last = get_usage_by_device(store, report_start, report_end)
|
||||
if first is None:
|
||||
print("No data found")
|
||||
return
|
||||
|
||||
# column headings
|
||||
print("date,{}".format(",".join([k for k in devices])))
|
||||
|
||||
start = datetime.datetime(first.year, first.month, first.day, 0, 0, 0, 0, first.tzinfo)
|
||||
last = datetime.datetime(last.year, last.month, last.day, 23, 59, 59, 999999, first.tzinfo)
|
||||
while start < last:
|
||||
du = []
|
||||
end = start + datetime.timedelta(days=1)
|
||||
total = (end - start).total_seconds()
|
||||
for k in devices:
|
||||
s = devices[k]
|
||||
used = 0
|
||||
for d in s:
|
||||
ds = d[0]
|
||||
de = d[1]
|
||||
if ds > end or de < start:
|
||||
continue
|
||||
if ds < start:
|
||||
ds = start
|
||||
if de > end:
|
||||
de = end
|
||||
u = (de - ds).total_seconds()
|
||||
if u < 0:
|
||||
print("?")
|
||||
used += u
|
||||
|
||||
x = int((used * 100) / total)
|
||||
du += [x]
|
||||
|
||||
st = start.strftime("%x")
|
||||
print("{},{}".format(st, ",".join([str(x) for x in du])))
|
||||
start = end
|
||||
|
||||
total_seconds = (last - first).total_seconds()
|
||||
total_used = []
|
||||
for k in devices:
|
||||
s = devices[k]
|
||||
used = 0
|
||||
for d in s:
|
||||
u = (d[1] - d[0]).total_seconds()
|
||||
used += u
|
||||
|
||||
x = int((used * 100) / total_seconds)
|
||||
total_used += [x]
|
||||
|
||||
print("total,{}".format(",".join([str(x) for x in total_used])))
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
|
||||
parser = argparse.ArgumentParser(
|
||||
description='Report on Qualcomm device utilization in an optional date range. ' +
|
||||
'Reports percentage utilization per day.')
|
||||
parser.add_argument('--start', help='Set the "start" date to start the search. (default None).')
|
||||
parser.add_argument('--end', help='Set the "end" date to end the search. (default None).')
|
||||
args = parser.parse_args()
|
||||
start = None
|
||||
end = None
|
||||
if args.start:
|
||||
start = dateutil.parser.parse(args.start)
|
||||
start = start.replace(tzinfo=datetime.timezone.utc)
|
||||
if args.end:
|
||||
end = dateutil.parser.parse(args.end)
|
||||
end = end.replace(tzinfo=datetime.timezone.utc)
|
||||
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key, table_name='usage')
|
||||
report(store, start, end)
|
||||
|
|
@ -0,0 +1,43 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def reset(con_str):
|
||||
parser = argparse.ArgumentParser(
|
||||
description='Reset the named entity.')
|
||||
parser.add_argument('name', help='The friendly name to reset or "*" to reset all rows', default=None)
|
||||
args = parser.parse_args()
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
|
||||
entities = []
|
||||
if args.name == "*":
|
||||
entities = [e for e in store.get_all_status_entities()]
|
||||
else:
|
||||
e = store.get_existing_status(args.name)
|
||||
if e is None:
|
||||
print(f"Entity {args.name} not found")
|
||||
sys.exit(1)
|
||||
else:
|
||||
entities = [e]
|
||||
|
||||
for e in entities:
|
||||
name = e['name']
|
||||
print(f"Resetting {name}")
|
||||
store.reset(e['name'], ['benchmark_only', 'model_date'])
|
||||
store.delete_blobs(name, 'model.dlc')
|
||||
store.delete_blobs(name, 'model.quant.dlc')
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
reset(con_str)
|
||||
|
|
@ -0,0 +1,855 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
|
||||
# See Readme.md
|
||||
import argparse
|
||||
import json
|
||||
import os
|
||||
import sys
|
||||
import glob
|
||||
import time
|
||||
from datetime import datetime
|
||||
import platform
|
||||
import statistics
|
||||
import tracemalloc
|
||||
import gc
|
||||
import psutil
|
||||
import logging
|
||||
import traceback
|
||||
from shutil import rmtree
|
||||
from archai.common.store import ArchaiStore
|
||||
from usage import add_usage
|
||||
from cleanup_stale_pods import cleanup_stale_pods
|
||||
from azure.data.tables import EntityProperty, EdmType
|
||||
|
||||
# This file contains wrappers on the snpe execution of the model connecting everything
|
||||
# to the Azure table describing the jobs that need to be run, and keeping the status
|
||||
# rows up to date while these jobs are running.
|
||||
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
SNPE_OUTPUT_DIR = 'snpe_output'
|
||||
MODEL_DIR = 'model'
|
||||
SNPE_MODEL_DIR = 'snpe_models'
|
||||
SNPE_OUTPUT_DIR = 'snpe_output'
|
||||
MAX_BENCHMARK_RUNS = 5
|
||||
BENCHMARK_INPUT_SIZE = 50
|
||||
CLEAR_RANDOM_INPUTS = 0
|
||||
LOG_FILE_NAME = 'memusage.log'
|
||||
DEVICE_FILE = "device.txt"
|
||||
UNIQUE_NODE_ID = None
|
||||
BENCHMARK_RUN_COUNT = 0
|
||||
|
||||
SCRIPT_DIR = os.path.dirname(__file__)
|
||||
sys.path += [os.path.join(SCRIPT_DIR, '..', 'snpe')]
|
||||
sys.path += [os.path.join(SCRIPT_DIR, '..', 'util')]
|
||||
sys.path += [os.path.join(SCRIPT_DIR, '..', 'vision')]
|
||||
rss_start = None
|
||||
|
||||
# Set the logging level for all azure-* libraries
|
||||
logging.getLogger('azure').setLevel(logging.ERROR)
|
||||
logging.getLogger('azure.core.pipeline.policies.http_logging_policy').setLevel(logging.ERROR)
|
||||
|
||||
from test_snpe import convert_model, quantize_model, run_benchmark
|
||||
from test_snpe import run_batches, set_device, get_device
|
||||
from create_data import create_dataset
|
||||
from collect_metrics import get_metrics
|
||||
from priority_queue import PriorityQueue
|
||||
from test_onnx import test_onnx
|
||||
from dlc_helper import get_dlc_metrics
|
||||
|
||||
|
||||
logger = logging.getLogger(__name__)
|
||||
store : ArchaiStore = None
|
||||
usage : ArchaiStore = None
|
||||
|
||||
|
||||
def log(msg):
|
||||
print(msg)
|
||||
logger.info(msg)
|
||||
|
||||
|
||||
def log_error(error_type, value, stack):
|
||||
log(f'### Exception: {error_type}: {value}')
|
||||
for line in traceback.format_tb(stack):
|
||||
log(line.strip())
|
||||
|
||||
|
||||
def read_shape(dir):
|
||||
shape_file = os.path.join(dir, 'shape.txt')
|
||||
if os.path.isfile(shape_file):
|
||||
with open(shape_file, 'r', encoding='utf-8') as f:
|
||||
return eval(f.readline().strip())
|
||||
return [0, 0, 0]
|
||||
|
||||
|
||||
def save_shape(dir, shape):
|
||||
shape_file = os.path.join(dir, 'shape.txt')
|
||||
with open(shape_file, 'w', encoding='utf-8') as f:
|
||||
f.write(str(shape))
|
||||
return [0, 0, 0]
|
||||
|
||||
|
||||
def check_device(device):
|
||||
set_device(device)
|
||||
device_info = ''
|
||||
if os.path.isfile(DEVICE_FILE):
|
||||
with open(DEVICE_FILE, 'r', encoding='utf-8') as f:
|
||||
device_info = f.readline().strip()
|
||||
if device_info != device:
|
||||
with open(DEVICE_FILE, 'w', encoding='utf-8') as f:
|
||||
f.write(f"{device}\n")
|
||||
|
||||
|
||||
def check_dataset(shape, name, test_size):
|
||||
w, h, c = shape
|
||||
img_size = (w, h)
|
||||
test = os.path.join('data', name)
|
||||
if os.path.isdir(test):
|
||||
s = read_shape(test)
|
||||
if s != shape:
|
||||
log(f"recreating {name} folder since shape needs to change from {s} to {shape}")
|
||||
rmtree(test)
|
||||
else:
|
||||
bins = [x for x in os.listdir(test) if x.endswith('.bin')]
|
||||
if len(bins) != test_size:
|
||||
log(f"recreating test folder since it had {len(bins)} images")
|
||||
rmtree(test)
|
||||
|
||||
if not os.path.isdir(test):
|
||||
create_dataset(dataset, name, img_size, test_size)
|
||||
save_shape(test, shape)
|
||||
|
||||
|
||||
def get_entity_shape(entity, name):
|
||||
if name in entity:
|
||||
return eval(entity[name])
|
||||
return []
|
||||
|
||||
|
||||
def record_error(entity, error_message):
|
||||
global store
|
||||
entity['status'] = 'error'
|
||||
entity['error'] = error_message
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
|
||||
def convert(name, entity, long_name, model_path):
|
||||
global store
|
||||
log("Converting model: " + long_name)
|
||||
entity['model_name'] = long_name
|
||||
entity['status'] = 'converting'
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
model_dir = os.path.join(name, SNPE_MODEL_DIR)
|
||||
model, input_shape, output_shape, error = convert_model(model_path, model_dir)
|
||||
if error:
|
||||
record_error(entity, error)
|
||||
return 'error'
|
||||
|
||||
if input_shape != get_entity_shape(entity, 'shape') or output_shape != get_entity_shape(entity, 'output_shape'):
|
||||
entity['shape'] = str(input_shape)
|
||||
entity['output_shape'] = str(output_shape)
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
log("Uploading converted model: " + model)
|
||||
store.upload_blob(name, model)
|
||||
|
||||
return model
|
||||
|
||||
|
||||
def quantize(name, entity, onnx_model, model):
|
||||
global store
|
||||
log("Quantizing model: " + name + "...")
|
||||
log(" (Please be patient this can take a while, up to 10 minutes or more)")
|
||||
entity['status'] = 'quantizing'
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
input_shape = eval(entity['shape'])
|
||||
check_dataset(input_shape, 'quant', 1000)
|
||||
|
||||
snpe_model_dir = os.path.join(name, SNPE_MODEL_DIR)
|
||||
model, error = quantize_model(model, onnx_model, snpe_model_dir)
|
||||
if error:
|
||||
record_error(entity, error)
|
||||
return 'error'
|
||||
|
||||
# save the quantized .dlc since it takes so long to produce.
|
||||
log("Uploading quantized model: " + model)
|
||||
store.upload_blob(name, model)
|
||||
return model
|
||||
|
||||
|
||||
def get_unique_node_id():
|
||||
global UNIQUE_NODE_ID
|
||||
if UNIQUE_NODE_ID:
|
||||
return UNIQUE_NODE_ID
|
||||
return platform.node()
|
||||
|
||||
|
||||
def set_unique_node_id(id):
|
||||
global UNIQUE_NODE_ID
|
||||
UNIQUE_NODE_ID = id
|
||||
|
||||
|
||||
def is_locked(entity):
|
||||
node = get_unique_node_id()
|
||||
if 'node' in entity and entity['node']:
|
||||
name = entity['name']
|
||||
locked = entity['node']
|
||||
if locked != node:
|
||||
log(f"{node}: model {name} is running on: {locked}")
|
||||
return 'busy'
|
||||
return None
|
||||
|
||||
|
||||
def lock_job(entity):
|
||||
global store
|
||||
node = get_unique_node_id()
|
||||
name = entity['name']
|
||||
# make sure we have the most up to date version of the entity.
|
||||
entity = store.get_status(name)
|
||||
retries = 10
|
||||
while retries:
|
||||
retries -= 1
|
||||
if is_locked(entity):
|
||||
# someone beat us to it
|
||||
raise Exception('lock encountered')
|
||||
entity['node'] = node
|
||||
try:
|
||||
store.merge_status_entity(entity)
|
||||
break
|
||||
except Exception as e:
|
||||
# someone beat us to it!
|
||||
log(f"lock failed: {e}")
|
||||
log("entity may have been changed by someone else, trying again...")
|
||||
|
||||
# make sure we really got the lock!
|
||||
entity = store.get_status(name)
|
||||
if 'node' in entity and entity['node'] == node:
|
||||
return entity
|
||||
# someone beat us to it
|
||||
raise Exception('lock encountered')
|
||||
|
||||
|
||||
def unlock_job(entity):
|
||||
global store
|
||||
node = get_unique_node_id()
|
||||
# make sure we have the most up to date version of the entity.
|
||||
entity = store.get_status(entity['name'])
|
||||
if 'node' in entity:
|
||||
if entity['node'] and entity['node'] != node:
|
||||
lock = entity['node']
|
||||
raise Exception(f'cannot unlock entity because it is locked by someone else ({lock})')
|
||||
else:
|
||||
entity['node'] = ''
|
||||
retries = 10
|
||||
while retries:
|
||||
retries -= 1
|
||||
try:
|
||||
store.merge_status_entity(entity)
|
||||
break
|
||||
except:
|
||||
# someone beat us to it!
|
||||
log("unlock failed, entity changed by someone else, trying again...")
|
||||
|
||||
return entity
|
||||
|
||||
|
||||
def run_onnx(name, dataset, model_path, test_size):
|
||||
out_dir = os.path.join(name, SNPE_OUTPUT_DIR, 'onnx_outputs')
|
||||
if os.path.isdir(out_dir):
|
||||
rmtree(out_dir)
|
||||
test_onnx(dataset, model_path, out_dir, test_size)
|
||||
return out_dir
|
||||
|
||||
|
||||
def is_complete(entity, prop):
|
||||
return prop in entity
|
||||
|
||||
|
||||
def is_true(entity, prop):
|
||||
return prop in entity and entity[prop]
|
||||
|
||||
|
||||
def get_total_inference_avg(entity):
|
||||
if 'total_inference_avg' in entity and entity['total_inference_avg']:
|
||||
try:
|
||||
return json.loads(entity['total_inference_avg'])
|
||||
except:
|
||||
pass
|
||||
return []
|
||||
|
||||
|
||||
def benchmarks_complete(entity):
|
||||
return len(get_total_inference_avg(entity))
|
||||
|
||||
|
||||
def get_mean_benchmark(entity):
|
||||
avg = get_total_inference_avg(entity)
|
||||
if len(avg) > 0:
|
||||
return statistics.mean(avg)
|
||||
return 0
|
||||
|
||||
|
||||
def get_avg_latency(latencies):
|
||||
count = 0
|
||||
sum = 0
|
||||
for m in latencies:
|
||||
for ifs in m['total_inference_time']:
|
||||
sum += float(ifs)
|
||||
count += 1
|
||||
return sum / count
|
||||
|
||||
|
||||
def benchmark(entity, onnx_model, model, name, test_input):
|
||||
global BENCHMARK_RUN_COUNT, CLEAR_RANDOM_INPUTS, store, usage
|
||||
|
||||
# next highest priority is to get benchmark times
|
||||
total_benchmark_runs = benchmarks_complete(entity)
|
||||
|
||||
if (total_benchmark_runs >= MAX_BENCHMARK_RUNS):
|
||||
return False # nothing to do
|
||||
|
||||
if total_benchmark_runs < MAX_BENCHMARK_RUNS:
|
||||
BENCHMARK_RUN_COUNT += 1
|
||||
if CLEAR_RANDOM_INPUTS > 0 and BENCHMARK_RUN_COUNT >= CLEAR_RANDOM_INPUTS:
|
||||
clear_random_inputs()
|
||||
BENCHMARK_RUN_COUNT = 0
|
||||
log(f"Running benchmark iteration {total_benchmark_runs} of {MAX_BENCHMARK_RUNS}...")
|
||||
entity['status'] = 'running benchmark'
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
start = store.get_utc_date()
|
||||
# TODO: calibrate the duration from 10 seconds to whatever time would produce the best results...
|
||||
output_dir, latencies = run_benchmark(onnx_model, model, test_input, 10, name)
|
||||
ifs = get_avg_latency(latencies)
|
||||
|
||||
end = store.get_utc_date()
|
||||
add_usage(usage, get_device(), start, end)
|
||||
|
||||
for file in glob.glob(os.path.join(output_dir, 'perf_results*.csv')):
|
||||
store.upload_blob(name, file)
|
||||
|
||||
total_inference_avg = get_total_inference_avg(entity)
|
||||
total_inference_avg += [ifs]
|
||||
entity['total_inference_avg'] = json.dumps(total_inference_avg)
|
||||
mean = statistics.mean(total_inference_avg)
|
||||
entity['mean'] = mean
|
||||
if len(total_inference_avg) > 1:
|
||||
stdev = statistics.stdev(total_inference_avg)
|
||||
entity['stdev'] = (stdev * 100) / mean
|
||||
total_benchmark_runs += 1
|
||||
else:
|
||||
mean = get_mean_benchmark(entity)
|
||||
|
||||
if is_benchmark_only(entity, False) and total_benchmark_runs == MAX_BENCHMARK_RUNS:
|
||||
entity['status'] = 'complete'
|
||||
entity['completed'] = store.get_utc_date()
|
||||
store.merge_status_entity(entity)
|
||||
return True
|
||||
|
||||
|
||||
def ensure_complete(entity):
|
||||
global store
|
||||
if entity['status'] != 'complete':
|
||||
entity['status'] = 'complete'
|
||||
name = entity['name']
|
||||
log(f"Completed {name}")
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
|
||||
def run_model(name, dataset, use_device, benchmark_only, no_quantization):
|
||||
global store, usage
|
||||
log("===================================================================================================")
|
||||
log(f"Checking model: {name} on node {get_unique_node_id()}")
|
||||
log("===================================================================================================")
|
||||
|
||||
with open('name.txt', 'w', encoding='utf-8') as file:
|
||||
file.write(name + '\n')
|
||||
|
||||
# make sure we have a clean slate and don't pick up old files from previous runs
|
||||
model_dir = os.path.join(name, MODEL_DIR)
|
||||
if os.path.isdir(model_dir):
|
||||
rmtree(model_dir)
|
||||
os.makedirs(model_dir)
|
||||
snpe_model_dir = os.path.join(name, SNPE_MODEL_DIR)
|
||||
if os.path.isdir(snpe_model_dir):
|
||||
rmtree(snpe_model_dir)
|
||||
snpe_output_dir = os.path.join(name, SNPE_OUTPUT_DIR)
|
||||
if os.path.isdir(snpe_output_dir):
|
||||
rmtree(snpe_output_dir)
|
||||
benchmark_dir = os.path.join(name, 'benchmark')
|
||||
if os.path.isdir(benchmark_dir):
|
||||
rmtree(benchmark_dir)
|
||||
|
||||
entity = store.get_status(name)
|
||||
|
||||
downloaded = store.download(name, model_dir, r'.*\.onnx$')
|
||||
if len(downloaded) == 0 or not os.path.isfile(downloaded[0]):
|
||||
record_error(entity, 'missing model')
|
||||
log(f"### no model found for {name}")
|
||||
return
|
||||
onnx_model = downloaded[0]
|
||||
long_name = os.path.basename(onnx_model)
|
||||
|
||||
# see if we have converted the model or not.
|
||||
# do this first no matter what.
|
||||
converted = len(store.list_blobs(f'{name}/model.dlc')) > 0
|
||||
is_quantized = len(store.list_blobs(f'{name}/model.quant.dlc')) > 0
|
||||
if not is_quantized:
|
||||
# oh, the quant model disappeared so clear the flag so it gets
|
||||
# quantized again by a machine that can do that.
|
||||
if 'quantized' in entity:
|
||||
del entity['quantized']
|
||||
store.update_status_entity(entity)
|
||||
if no_quantization:
|
||||
return
|
||||
|
||||
if 'shape' not in entity:
|
||||
# hmmm, a bad reset? Then pretend it is not converted so we get the shape back.
|
||||
converted = False
|
||||
|
||||
if not converted:
|
||||
model = convert(name, entity, long_name, onnx_model)
|
||||
if model == 'error':
|
||||
return
|
||||
elif converted:
|
||||
downloaded = store.download(name, snpe_model_dir, 'model.dlc')
|
||||
if len(downloaded) == 0:
|
||||
raise Exception('### internal error, the model.dlc download failed!')
|
||||
elif not is_quantized and not converted:
|
||||
record_error(entity, 'missing model')
|
||||
log(f"### no model found for {name}")
|
||||
return
|
||||
|
||||
# see if we have a quantized model or not.
|
||||
model = os.path.join(snpe_model_dir, 'model.dlc')
|
||||
if not is_quantized:
|
||||
model = quantize(name, entity, onnx_model, model)
|
||||
if model == 'error':
|
||||
return
|
||||
entity['quantized'] = True
|
||||
if 'macs' in entity:
|
||||
del entity['macs'] # need to redo it since we re-quantized.
|
||||
store.update_status_entity(entity)
|
||||
else:
|
||||
entity['quantized'] = True
|
||||
store.merge_status_entity(entity)
|
||||
|
||||
quantized_model = os.path.join(snpe_model_dir, 'model.quant.dlc')
|
||||
if not os.path.isfile(quantized_model):
|
||||
downloaded = store.download(name, snpe_model_dir, 'model.quant.dlc')
|
||||
if len(downloaded) == 0 or not os.path.isfile(downloaded[0]):
|
||||
raise Exception("??? quantized model should exist at this point...")
|
||||
quantized_model = downloaded[0]
|
||||
|
||||
if 'macs' not in entity:
|
||||
csv_data, macs, params = get_dlc_metrics(quantized_model)
|
||||
entity['macs'] = macs
|
||||
entity['params'] = params
|
||||
entity['status'] = 'converted'
|
||||
store.merge_status_entity(entity)
|
||||
csv_file = os.path.join(snpe_model_dir, 'model.quant.info.csv')
|
||||
with open(csv_file, 'w') as f:
|
||||
f.write(csv_data)
|
||||
store.upload_blob(name, csv_file)
|
||||
return
|
||||
|
||||
input_shape = eval(entity['shape'])
|
||||
if use_device:
|
||||
check_dataset(input_shape, 'test', 1000)
|
||||
test_input = os.path.realpath(os.path.join('data', 'test'))
|
||||
if benchmark(entity, onnx_model, quantized_model, name, test_input):
|
||||
return
|
||||
|
||||
if benchmark_only:
|
||||
log(f"Benchmark only has nothing to do on model {name}")
|
||||
ensure_complete(entity)
|
||||
return
|
||||
|
||||
# next highest priority is to get the 1k f1 score.
|
||||
test_size = 0
|
||||
prop = None
|
||||
if use_device and not is_complete(entity, 'f1_1k'):
|
||||
test_size = 1000
|
||||
prop = 'f1_1k'
|
||||
model = quantized_model # use the quantized model
|
||||
elif use_device and not is_complete(entity, 'f1_1k_f'):
|
||||
test_size = 1000
|
||||
prop = 'f1_1k_f'
|
||||
if not converted:
|
||||
# this is a model that is prequantized, we don't have the original
|
||||
entity[prop] = 'n/a'
|
||||
entity['status'] = '.dlc model not found'
|
||||
store.merge_status_entity(entity)
|
||||
return
|
||||
os.remove(quantized_model) # make sure we can't run this one.
|
||||
elif use_device and not is_complete(entity, 'f1_10k'):
|
||||
test_size = 10000
|
||||
prop = 'f1_10k'
|
||||
model = quantized_model # use the quantized model
|
||||
elif not is_complete(entity, 'f1_onnx'):
|
||||
test_size = 10000
|
||||
prop = 'f1_onnx'
|
||||
model = onnx_model
|
||||
else:
|
||||
# why are we here?
|
||||
return
|
||||
|
||||
log(f"==> running {prop} test using model {model}")
|
||||
|
||||
# copy model to the device.
|
||||
if prop != 'f1_onnx':
|
||||
# now that we have the shape, we can create the appropriate quant and test
|
||||
# datasets!
|
||||
check_dataset(input_shape, 'test', test_size)
|
||||
|
||||
if prop == 'f1_onnx':
|
||||
entity['status'] = f'Running {prop}'
|
||||
store.merge_status_entity(entity)
|
||||
snpe_output_dir = run_onnx(name, dataset, onnx_model, test_size)
|
||||
else:
|
||||
entity['status'] = f'Running {prop}'
|
||||
store.merge_status_entity(entity)
|
||||
test_input = os.path.realpath(os.path.join('data', 'test'))
|
||||
start = store.get_utc_date()
|
||||
snpe_output_dir, latencies = run_batches(onnx_model, model, test_input, name)
|
||||
end = store.get_utc_date()
|
||||
add_usage(usage, get_device(), start, end)
|
||||
|
||||
try:
|
||||
use_pillow = 'use_pillow' in entity and entity['use_pillow']
|
||||
num_classes = 19
|
||||
if 'output_shape' in entity:
|
||||
w, h, num_classes = eval(entity['output_shape'])
|
||||
|
||||
test_results, chart, f1score = get_metrics(input_shape, False, dataset, snpe_output_dir, num_classes,
|
||||
use_pillow)
|
||||
except Exception as ex:
|
||||
record_error(entity, str(ex))
|
||||
return
|
||||
|
||||
log(f"### Saving {prop} score of {f1score}")
|
||||
entity[prop] = f1score
|
||||
store.merge_status_entity(entity)
|
||||
store.upload_blob(name, test_results, f"test_results_{prop}.csv")
|
||||
store.upload_blob(name, chart, f"pr_curve_{prop}.png")
|
||||
|
||||
if 'f1_1k' in entity and 'f1_10k' in entity and 'f1_1k_f' in entity and 'f1_onnx' in entity:
|
||||
ensure_complete(entity)
|
||||
|
||||
|
||||
def clear_random_inputs():
|
||||
if os.path.isdir('random_inputs'):
|
||||
log("Clearing random_inputs.")
|
||||
rmtree('random_inputs')
|
||||
|
||||
|
||||
def is_benchmark_only(entity, benchmark_only):
|
||||
benchmark_only_flag = benchmark_only
|
||||
if 'benchmark_only' in entity:
|
||||
benchmark_only_flag = int(entity['benchmark_only'])
|
||||
return benchmark_only_flag
|
||||
|
||||
|
||||
def node_quantizing():
|
||||
""" Ee don't want to do more than one quantization at a time on a given node
|
||||
because it is an CPU intensive operation. """
|
||||
global store
|
||||
id = platform.node() + '_'
|
||||
count = 0
|
||||
for e in store.get_all_status_entities(status='complete', not_equal=True):
|
||||
status = ''
|
||||
if 'status' in e:
|
||||
status = e['status']
|
||||
if 'node' not in e:
|
||||
continue
|
||||
node = e['node']
|
||||
if node.startswith(id) and node != get_unique_node_id() and \
|
||||
(status == 'converting' or status == 'quantizing'):
|
||||
count += 1
|
||||
return count > 0
|
||||
|
||||
|
||||
def check_stale_pods(timeout=3600):
|
||||
""" This function checks whether any quantization jobs are getting stuck in the
|
||||
kubernetes cluster for longer than the given timeout and automatically resets them
|
||||
if the kubernetes pod no longer exists. """
|
||||
global store
|
||||
clean = False
|
||||
for entity in store.get_all_status_entities(status='complete', not_equal=True):
|
||||
if is_locked(entity):
|
||||
node = entity['node']
|
||||
if node.startswith("snpe-quantizer"):
|
||||
utc_format = "%Y-%m-%dT%H:%M:%SZ"
|
||||
if 'check' not in entity:
|
||||
entity['check'] = datetime.strftime(datetime.utcnow(), utc_format)
|
||||
store.merge_status_entity(entity)
|
||||
else:
|
||||
start_time = datetime.strptime(entity['check'], utc_format)
|
||||
diff = datetime.utcnow() - start_time
|
||||
if diff.seconds > timeout:
|
||||
clean = True
|
||||
break
|
||||
if clean:
|
||||
cleanup_stale_pods(store)
|
||||
for entity in store.get_all_status_entities(status='complete', not_equal=True):
|
||||
if 'check' in entity:
|
||||
del entity['check']
|
||||
store.update_status_entity(entity)
|
||||
|
||||
|
||||
# flake8: noqa: C901
|
||||
def find_work_prioritized(use_device, benchmark_only, subset_list, no_quantization):
|
||||
global store
|
||||
queue = PriorityQueue()
|
||||
quantizing = no_quantization or node_quantizing()
|
||||
for entity in store.get_all_status_entities(status='complete', not_equal=True):
|
||||
name = entity['name']
|
||||
if subset_list is not None and name not in subset_list:
|
||||
log(f"# skipping model {name} because it is in the subset list")
|
||||
continue
|
||||
total_benchmark_runs = benchmarks_complete(entity)
|
||||
if is_locked(entity):
|
||||
log(f"# skip entity {name} because someone else is working on it")
|
||||
continue
|
||||
if 'error' in entity:
|
||||
log(f"# skipping {name} because something went wrong on previous step.")
|
||||
continue
|
||||
if not is_complete(entity, 'macs') or not is_true(entity, 'quantized'):
|
||||
if quantizing:
|
||||
if no_quantization:
|
||||
log(f"This node is running with --no_quantization, skipping mode '{name}' for now until " +
|
||||
"quantization cluster completes.")
|
||||
else:
|
||||
log(f"Skipping model '{name}' for now until other quantization finishes on our node")
|
||||
continue
|
||||
priority = 20
|
||||
elif use_device and (total_benchmark_runs < MAX_BENCHMARK_RUNS):
|
||||
priority = 30 + total_benchmark_runs
|
||||
elif is_benchmark_only(entity, benchmark_only):
|
||||
continue
|
||||
elif not is_complete(entity, 'f1_onnx'):
|
||||
priority = 60
|
||||
elif use_device and not is_complete(entity, 'f1_1k'):
|
||||
priority = 100 + get_mean_benchmark(entity)
|
||||
elif use_device and not is_complete(entity, 'f1_1k_f'):
|
||||
priority = 100 + get_mean_benchmark(entity) * 10
|
||||
elif use_device and not is_complete(entity, 'f1_10k'):
|
||||
# prioritize by how fast the model is!
|
||||
priority = 100 + get_mean_benchmark(entity) * 100
|
||||
else:
|
||||
# this model is done!
|
||||
continue
|
||||
|
||||
if 'priority' in entity:
|
||||
# allow user to override the priority
|
||||
priority = int(entity['priority'])
|
||||
|
||||
queue.enqueue(priority, entity)
|
||||
return queue
|
||||
|
||||
|
||||
def garbage_collect():
|
||||
# remove old folders so we don't grow disk usage forever
|
||||
now = time.time()
|
||||
one_day = 60 * 60 * 24
|
||||
for f in list(os.listdir()):
|
||||
if os.path.isdir(f) and f != 'data' and f != 'random_inputs' and f != 'DEVICE_FILE':
|
||||
mod = os.path.getmtime(f)
|
||||
if now - mod > one_day:
|
||||
log(f"Garbage collecting {f}...")
|
||||
rmtree(f)
|
||||
|
||||
|
||||
class MemoryMonitor:
|
||||
def __init__(self):
|
||||
self.rss_start = None
|
||||
self.growth = 0
|
||||
|
||||
def heap_growth(self):
|
||||
rss = psutil.Process(os.getpid()).memory_info().rss
|
||||
if self.rss_start is None:
|
||||
self.rss_start = rss
|
||||
|
||||
growth = rss / self.rss_start
|
||||
logging.info(f"========= memory rss={rss} growth={growth}============")
|
||||
return growth
|
||||
|
||||
|
||||
def monitor(dataset, use_device, benchmark_only, subset_list, no_quantization):
|
||||
global rss_start, store, usage
|
||||
|
||||
logging.basicConfig(filename=LOG_FILE_NAME, filemode='a',
|
||||
level=logging.INFO,
|
||||
format='%(asctime)s - %(levelname)s: %(message)s',
|
||||
datefmt='%m/%d/%Y %I:%M:%S %p')
|
||||
|
||||
monitor = MemoryMonitor()
|
||||
|
||||
file_mod = os.path.getmtime(__file__)
|
||||
|
||||
# terminate this script if the memory has grown too much or the script
|
||||
# itself has been modified. This will cause the outer 'loop.sh' to
|
||||
# loop and start a fesh process and pick any code modifications.
|
||||
while monitor.heap_growth() < 10:
|
||||
if file_mod != os.path.getmtime(__file__):
|
||||
log("Code has changed, need to restart.")
|
||||
return 0
|
||||
|
||||
try:
|
||||
queue = find_work_prioritized(use_device, benchmark_only, subset_list, no_quantization)
|
||||
except Exception as e:
|
||||
log(f"Error in find_work_prioritized: {e}")
|
||||
time.sleep(60)
|
||||
continue
|
||||
|
||||
if queue.size() == 0:
|
||||
log("No work found.")
|
||||
return 0
|
||||
else:
|
||||
garbage_collect()
|
||||
|
||||
# do the top priority job then go back to find_work_prioritized in case
|
||||
# other jobs were add/completed in parallel while this was executing.
|
||||
priority, entity = queue.dequeue()
|
||||
name = entity['name']
|
||||
try:
|
||||
entity = lock_job(entity)
|
||||
benchmark_only_flag = is_benchmark_only(entity, benchmark_only)
|
||||
gc.collect()
|
||||
tracemalloc.start()
|
||||
snapshot1 = tracemalloc.take_snapshot()
|
||||
run_model(name, dataset, use_device, benchmark_only_flag, no_quantization)
|
||||
gc.collect()
|
||||
snapshot2 = tracemalloc.take_snapshot()
|
||||
for i in snapshot2.compare_to(snapshot1, 'lineno')[:10]:
|
||||
logging.info(i)
|
||||
|
||||
unlock_job(entity)
|
||||
except Exception as e:
|
||||
error_type, value, stack = sys.exc_info()
|
||||
if str(e) == 'lock encountered':
|
||||
log('model is running on another machine')
|
||||
elif 'ConnectionResetError' in str(e):
|
||||
log('ConnectionResetError: Ignoring Azure flakiness...')
|
||||
unlock_job(entity)
|
||||
else:
|
||||
# bug in the script somewhere... don't leave the node locked.
|
||||
log_error(error_type, value, stack)
|
||||
unlock_job(entity)
|
||||
sys.exit(1)
|
||||
|
||||
time.sleep(10) # give other machines a chance to grab work so we don't get stuck in retry loops.
|
||||
|
||||
# we terminate here to reclaim the leaked memory, and to ensure we shut down cleanly without
|
||||
# leaving any rows in the table locked, we have an outer loop.sh script that will restart the runner.
|
||||
log("Memory leak detected")
|
||||
return 0
|
||||
|
||||
|
||||
def get_storage_account(con_str):
|
||||
parts = con_str.split(';')
|
||||
for part in parts:
|
||||
name_value = part.split('=')
|
||||
if name_value[0] == 'AccountName' and len(name_value) > 1:
|
||||
return name_value[1]
|
||||
|
||||
|
||||
def setup_store():
|
||||
global store, usage
|
||||
conn_string = os.getenv(CONNECTION_NAME)
|
||||
if not conn_string:
|
||||
log(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(conn_string)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key, table_name='status')
|
||||
usage = ArchaiStore(storage_account_name, storage_account_key, table_name='usage')
|
||||
return conn_string
|
||||
|
||||
|
||||
def check_environment():
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
log(f"Please set your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
|
||||
print(f'Using storage account: "{get_storage_account(con_str)}"')
|
||||
snpe_root = os.getenv("SNPE_ROOT")
|
||||
if not snpe_root:
|
||||
log("Please specify your 'SNPE_ROOT' environment variable.")
|
||||
sys.exit(1)
|
||||
if not os.path.isdir(snpe_root):
|
||||
log(f"Your SNPE_ROOT '{snpe_root} is not found.")
|
||||
sys.exit(1)
|
||||
|
||||
sys.path += [f'{snpe_root}/benchmarks', f'{snpe_root}/lib/python']
|
||||
|
||||
ndk = os.getenv("ANDROID_NDK_ROOT")
|
||||
if not ndk:
|
||||
log("you must have a ANDROID_NDK_ROOT installed, see the ../device/readme.md")
|
||||
sys.exit(1)
|
||||
if not os.path.isdir(ndk):
|
||||
log(f"Your ANDROID_NDK_ROOT '{ndk} is not found.")
|
||||
sys.exit(1)
|
||||
|
||||
dataset = os.getenv("INPUT_DATASET")
|
||||
if not dataset:
|
||||
log("please provide --input or set your INPUT_DATASET environment variable")
|
||||
sys.exit(1)
|
||||
if not os.path.isdir(dataset):
|
||||
log(f"Your INPUT_DATASET '{dataset} is not found.")
|
||||
sys.exit(1)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
parser = argparse.ArgumentParser(description='Test the models as they appears in our Azure table')
|
||||
parser.add_argument('--device', '-d', help='Specify which Qualcomm device device to use (default None).')
|
||||
parser.add_argument('--benchmark', help='Run benchmark tests only (no F1 tests).', action="store_true")
|
||||
parser.add_argument('--max_benchmark_runs', type=int, help='Set maximum number of benchmark runs per model ' +
|
||||
'(default 5).', default=5)
|
||||
parser.add_argument('--subset', help='Comma separated list of friendly model names to focus on, ' +
|
||||
'ignoring all other models.')
|
||||
parser.add_argument('--clear_random_inputs', type=int, help='How many benchmark runs before clearing ' +
|
||||
'random_inputs (default 0 means no clearing).', default=0)
|
||||
parser.add_argument('--no_quantization', help='Do not do any quantization work on this machine.',
|
||||
action="store_true")
|
||||
parser.add_argument('--working', help='Use this working folder for all downloaded models and temp files ' +
|
||||
'(default cwd).')
|
||||
parser.add_argument('--cleanup_stale_pods', type=int, help='specify how often (in seconds) to check for stale ' +
|
||||
'kubernetes pods that need to be cleaned up. You can also run this manually, see ' +
|
||||
'the clean_stale_pods.py script.', default=0)
|
||||
|
||||
args = parser.parse_args()
|
||||
|
||||
check_environment()
|
||||
|
||||
if args.working:
|
||||
log(f"Using working folder: {args.working}")
|
||||
os.chdir(args.working)
|
||||
|
||||
logger.setLevel('INFO')
|
||||
logger.addHandler(logging.FileHandler('runner.log', 'a'))
|
||||
|
||||
setup_store()
|
||||
|
||||
MAX_BENCHMARK_RUNS = args.max_benchmark_runs
|
||||
CLEAR_RANDOM_INPUTS = args.clear_random_inputs
|
||||
device = args.device
|
||||
if device:
|
||||
set_unique_node_id(f"{platform.node()}_{device}")
|
||||
check_device(device)
|
||||
else:
|
||||
set_unique_node_id(platform.node())
|
||||
|
||||
subset = None
|
||||
if args.subset:
|
||||
subset = [x.strip() for x in args.subset.split(',')]
|
||||
|
||||
if args.cleanup_stale_pods:
|
||||
check_stale_pods(args.cleanup_stale_pods)
|
||||
|
||||
dataset = os.getenv("INPUT_DATASET")
|
||||
rc = monitor(dataset, device is not None, args.benchmark, subset, args.no_quantization)
|
||||
sys.exit(rc)
|
||||
|
|
@ -0,0 +1,39 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def status(con_str):
|
||||
parser = argparse.ArgumentParser(description='Print status in .csv format')
|
||||
parser.add_argument('--status', help='Optional match for the status column (default None).')
|
||||
parser.add_argument('--name', help='Optional name of single status row to return (default None).')
|
||||
parser.add_argument('--not_equal', '-ne', help='Switch the match to a not-equal comparison.', action="store_true")
|
||||
parser.add_argument('--locked', help='Find entities that are locked by a node.', action="store_true")
|
||||
parser.add_argument('--cols', help='Comma separated list of columns to report (default is to print all)')
|
||||
args = parser.parse_args()
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
entities = store.get_all_status_entities(args.status, args.not_equal)
|
||||
if args.locked:
|
||||
entities = [e for e in entities if 'node' in e and e['node']]
|
||||
if args.name:
|
||||
entities = [e for e in entities if 'name' in e and e['name'] == args.name]
|
||||
|
||||
columns = None
|
||||
if args.cols:
|
||||
columns = [x.strip() for x in args.cols.split(',')]
|
||||
store.print_entities(entities, columns)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
status(con_str)
|
||||
|
|
@ -0,0 +1,26 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def unlock(con_str):
|
||||
parser = argparse.ArgumentParser(
|
||||
description='Unlock all jobs for given node or unlock all jobs.')
|
||||
parser.add_argument('--node', help='Optional node name (default None).')
|
||||
args = parser.parse_args()
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
store.unlock_all(args.node)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
unlock(con_str)
|
||||
|
|
@ -0,0 +1,31 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
|
||||
|
||||
def upload(con_str, args):
|
||||
parser = argparse.ArgumentParser(description='Upload a named model (and optional accompanying files) to your ' +
|
||||
'azure blob store')
|
||||
parser.add_argument('name', help='Friendly name of the folder to put this in.')
|
||||
parser.add_argument('file', help='Path to the file to upload to Azure ' +
|
||||
'or a folder to upload all files in that folder to the same azure blob folder.')
|
||||
parser.add_argument('--priority', type=int, help='Optional priority override for this job. ' +
|
||||
'Larger numbers mean lower priority')
|
||||
parser.add_argument('--reset', help='Reset stats for the model if it exists already.', action="store_true")
|
||||
args = parser.parse_args(args)
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key)
|
||||
store.upload(args.name, args.file, args.reset, priority=args.priority)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
upload(con_str)
|
||||
|
|
@ -0,0 +1,65 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
import uuid
|
||||
from archai.common.store import ArchaiStore
|
||||
|
||||
|
||||
CONNECTION_NAME = 'MODEL_STORAGE_CONNECTION_STRING'
|
||||
USAGE_TABLE_NAME = 'USAGE_TABLE_NAME'
|
||||
|
||||
USAGE_TABLE = 'usage'
|
||||
CONNECTION_STRING = ''
|
||||
|
||||
|
||||
def get_all_usage_entities(store, name_filter=None):
|
||||
""" Get all usage entities with optional device name filter """
|
||||
|
||||
table_client = store._get_table_client()
|
||||
|
||||
entities = []
|
||||
query = "PartitionKey eq 'main'"
|
||||
if name_filter:
|
||||
query += f" and name eq '{name_filter}'"
|
||||
|
||||
try:
|
||||
for e in table_client.query_entities(query_filter=query):
|
||||
entities += [e]
|
||||
|
||||
except Exception as e:
|
||||
print(f"### error reading table: {e}")
|
||||
|
||||
return entities
|
||||
|
||||
|
||||
def add_usage(store, name, start, end):
|
||||
e = store.get_status(str(uuid.uuid4()))
|
||||
del e['status']
|
||||
e['name'] = name
|
||||
e['start'] = start
|
||||
e['end'] = end
|
||||
store.update_status_entity(e)
|
||||
return e
|
||||
|
||||
|
||||
def usage(con_str):
|
||||
parser = argparse.ArgumentParser(
|
||||
description='Print usage in .csv format using ' +
|
||||
f'{CONNECTION_NAME} environment variable.')
|
||||
parser.add_argument('--device', help='Optional match for the name column (default None).')
|
||||
args = parser.parse_args()
|
||||
|
||||
storage_account_name, storage_account_key = ArchaiStore.parse_connection_string(con_str)
|
||||
store = ArchaiStore(storage_account_name, storage_account_key, table_name=USAGE_TABLE)
|
||||
entities = get_all_usage_entities(store, args.device)
|
||||
store.print_entities(entities)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
con_str = os.getenv(CONNECTION_NAME)
|
||||
if not con_str:
|
||||
print(f"Please specify your {CONNECTION_NAME} environment variable.")
|
||||
sys.exit(1)
|
||||
usage(con_str)
|
||||
|
|
@ -0,0 +1,84 @@
|
|||
FROM ubuntu:18.04
|
||||
SHELL ["/bin/bash", "-c"]
|
||||
|
||||
ARG SNPE_SDK_ZIP
|
||||
ARG SNPE_SDK_ROOT
|
||||
ARG ANDROID_NDK_ZIP
|
||||
ARG ANDROID_NDK_ROOT
|
||||
|
||||
RUN apt-get update && apt-get install -y build-essential libtool autoconf cmake unzip wget git unzip curl python3 python3-dev python3-distutils python3-pip ffmpeg libsm6 libxext6 wget locales libjpeg-dev zlib1g zlib1g-dev libprotobuf-dev protobuf-compiler
|
||||
|
||||
# need cmake 3.22 to build latest version of onnx-simplifier on Ubuntu 18
|
||||
RUN apt update && \
|
||||
apt install -y software-properties-common lsb-release && \
|
||||
apt clean all
|
||||
RUN wget -O - https://apt.kitware.com/keys/kitware-archive-latest.asc 2>/dev/null | gpg --dearmor - | tee /etc/apt/trusted.gpg.d/kitware.gpg >/dev/null
|
||||
RUN apt-add-repository "deb https://apt.kitware.com/ubuntu/ $(lsb_release -cs) main"
|
||||
RUN apt-key adv --keyserver keyserver.ubuntu.com --recv-keys 6AF7F09730B3F0A4
|
||||
RUN apt update && apt install -y cmake
|
||||
|
||||
# build latest version of protobuf needed by onnx
|
||||
RUN git clone https://github.com/protocolbuffers/protobuf.git
|
||||
RUN cd protobuf && \
|
||||
git checkout v3.19.4 && \
|
||||
git submodule update --init --recursive && \
|
||||
mkdir build_source && cd build_source && \
|
||||
cmake ../cmake -Dprotobuf_BUILD_SHARED_LIBS=OFF -DCMAKE_INSTALL_PREFIX=/usr -DCMAKE_INSTALL_SYSCONFDIR=/etc -DCMAKE_POSITION_INDEPENDENT_CODE=ON -Dprotobuf_BUILD_TESTS=OFF -DCMAKE_BUILD_TYPE=Release && \
|
||||
make -j$(nproc) && \
|
||||
make install
|
||||
|
||||
# have to ensure default locale is utf-8 otherwise python bails with this error:
|
||||
# UnicodeEncodeError: 'ascii' codec can't encode character '\xe7' in position 17: ordinal not in range(128)
|
||||
RUN locale-gen en_US.UTF-8
|
||||
|
||||
# copy and unzip the SNPE SDK
|
||||
WORKDIR /home/archai/snpe
|
||||
COPY "${SNPE_SDK_ZIP}" .
|
||||
RUN unzip "${SNPE_SDK_ZIP}"
|
||||
|
||||
# Copy and unzip the Android NDK
|
||||
WORKDIR /home/archai/ndk
|
||||
COPY "${ANDROID_NDK_ZIP}" .
|
||||
RUN unzip "${ANDROID_NDK_ZIP}"
|
||||
|
||||
WORKDIR /home/archai
|
||||
|
||||
ENV AZUREML_CONDA_ENVIRONMENT_PATH="/home/archai/miniconda3/snap37"
|
||||
ENV SNPE_ROOT="/home/archai/snpe/$SNPE_SDK_ROOT"
|
||||
ENV SNPE_ANDROID_ROOT="/home/archai/snpe/$SNPE_SDK_ROOT"
|
||||
ENV ANDROID_NDK_ROOT="/home/archai/ndk/$ANDROID_NDK_ROOT"
|
||||
ENV PATH="/home/archai/miniconda3/bin:$PATH:/home/archai:/home/archai/ndk/tools/${PLATFORM_TOOLS_ROOT}:/home/archai/snpe/${SNPE_SDK_ROOT}/bin/x86_64-linux-clang"
|
||||
ENV LC_ALL="en_US.UTF-8"
|
||||
ENV PYTHONPATH="/home/archai/snpe/$SNPE_SDK_ROOT/lib/python"
|
||||
ENV LD_LIBRARY_PATH="${AZUREML_CONDA_ENVIRONMENT_PATH}/lib:${SNPE_SDK_ROOT}/lib/x86_64-linux-clang:${LD_LIBRARY_PATH}"
|
||||
|
||||
RUN wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
|
||||
RUN bash Miniconda3-latest-Linux-x86_64.sh -b -p ./miniconda3
|
||||
RUN conda init bash
|
||||
RUN conda create -y -n snap37 python=3.8 pip=20.2.4
|
||||
ENV PATH="${AZUREML_CONDA_ENVIRONMENT_PATH}/bin:$PATH"
|
||||
|
||||
RUN wget -O azcopy_v10.tar.gz https://aka.ms/downloadazcopy-v10-linux && tar -xf azcopy_v10.tar.gz --strip-components=1
|
||||
|
||||
# this echo is a trick to bypass docker build cache.
|
||||
# simply change the echo string every time you want docker build to pull down new bits.
|
||||
RUN echo '04/06/2023 06:28 PM' >/dev/null && git clone https://github.com/microsoft/archai.git
|
||||
RUN cd archai && git checkout task_segmentation && pip install -e .[dev]
|
||||
|
||||
RUN echo "using this pip version: " && which pip
|
||||
RUN echo "using this python version: " && which python
|
||||
|
||||
RUN pushd /home/archai/archai/tasks/face_segmentation/snpe && \
|
||||
python --version && \
|
||||
pip install -r requirements.txt
|
||||
|
||||
RUN pip list
|
||||
|
||||
# This container starts running immediately so that the kubernetes cluster simply scales
|
||||
# automatically based on how busy this script is (see HorizontalPodAutoscaler in quantizer.yaml).
|
||||
COPY run.sh /home/archai/run.sh
|
||||
RUN ls -al /home/archai
|
||||
RUN cat run.sh
|
||||
|
||||
RUN chmod u+x /home/archai/run.sh
|
||||
CMD ["bash", "-c", "/home/archai/run.sh"]
|
||||
|
|
@ -0,0 +1,49 @@
|
|||
|
||||
<#
|
||||
.SYNOPSIS
|
||||
.
|
||||
.DESCRIPTION
|
||||
This is a handy powershell script that can cleanup old images from your azure container registry.
|
||||
You can find the password in your Azure portal for the container registry under the tab named Access Keys.
|
||||
.PARAMETER password
|
||||
Specifies a password.
|
||||
#>
|
||||
|
||||
param(
|
||||
[Parameter(Mandatory=$true)]
|
||||
[string]$password
|
||||
)
|
||||
|
||||
|
||||
$registry_name = "snpecontainerregistry001"
|
||||
|
||||
$tags = &az acr repository show-tags -n $registry_name --repository quantizer | ConvertFrom-JSON
|
||||
|
||||
if ($tags.GetType().Name -eq "String"){
|
||||
# there is only one tag
|
||||
Write-Host "Your registry is already clean, it contains only one image quantizer:$tags"
|
||||
Exit 0
|
||||
}
|
||||
|
||||
$latest = [Version]"0"
|
||||
foreach ($t in $tags) {
|
||||
Write-Host "Found tag $t"
|
||||
$v = [Version]$t
|
||||
if ($v -gt $latest){
|
||||
$latest = $v
|
||||
}
|
||||
}
|
||||
|
||||
$a = Read-Host "Do you want to delete all images except the latest version $latest (y/n)? "
|
||||
if ($a -ne "y") {
|
||||
Exit 1
|
||||
}
|
||||
|
||||
foreach ($t in $tags) {
|
||||
$v = [Version]$t
|
||||
if ($v -ne $latest) {
|
||||
Write-Host "Deleting image quantizer:$t"
|
||||
Write-Host "az acr repository delete --name $registry_name --image quantizer:$v -u $registry_name -p $password"
|
||||
$rc = &az acr repository delete --name $registry_name --image quantizer:$v -u $registry_name -p $password --yes
|
||||
}
|
||||
}
|
||||
|
|
@ -0,0 +1,40 @@
|
|||
apiVersion: apps/v1
|
||||
kind: Deployment
|
||||
metadata:
|
||||
name: snpe-quantizer
|
||||
namespace: snpe
|
||||
spec:
|
||||
replicas: 1
|
||||
selector:
|
||||
matchLabels:
|
||||
app: snpe-quantizer
|
||||
template:
|
||||
metadata:
|
||||
labels:
|
||||
app: snpe-quantizer
|
||||
spec:
|
||||
containers:
|
||||
- name: snpe-quantizer
|
||||
image: snpecontainerregistry001.azurecr.io/quantizer:1.0
|
||||
resources:
|
||||
limits:
|
||||
cpu: 4
|
||||
env:
|
||||
- name: MODEL_STORAGE_CONNECTION_STRING
|
||||
value: $MSCS$
|
||||
|
||||
---
|
||||
|
||||
apiVersion: autoscaling/v1
|
||||
kind: HorizontalPodAutoscaler
|
||||
metadata:
|
||||
name: snpe-quantizer
|
||||
namespace: snpe
|
||||
spec:
|
||||
maxReplicas: 100 # define max replica count
|
||||
minReplicas: 1 # define min replica count
|
||||
scaleTargetRef:
|
||||
apiVersion: apps/v1
|
||||
kind: Deployment
|
||||
name: snpe-quantizer
|
||||
targetCPUUtilizationPercentage: 40 # target CPU utilization
|
||||
|
|
@ -0,0 +1,135 @@
|
|||
# Readme
|
||||
|
||||
This folder contains some handy stuff for setting up an Azure account so you can run the code in the
|
||||
[Azure](../../azure/readme.md) folder and create a docker image for running SNPE model quantization
|
||||
jobs on a kubernetes cluster. You can also run this docker image in a Linux container on Windows
|
||||
using the Docker Desktop for Windows.
|
||||
|
||||
First you will need to decide which Azure Subscription to use, install the
|
||||
[Azure Command Line Interface](https://docs.microsoft.com/en-us/cli/azure/install-azure-cli-windows?tabs=azure-cli)
|
||||
and run `az account set --subscription id` to make the this subscription your default.
|
||||
|
||||
## setup.ps1
|
||||
|
||||
This [PowerShell](https://learn.microsoft.com/en-us/powershell/scripting/install/installing-powershell-on-linux?view=powershell-7.3)
|
||||
script creates the azure resources in your chosen subscription needed by the `runner.py` script.
|
||||
This includes a storage account for storing models and a status table, and a usage table. The script
|
||||
contains a default `$plan_location` of `westus2`, feel free to change that to whatever you need. It
|
||||
also creates an azure docker container registry and AKS kubernetes cluster, but using the Kubernetes
|
||||
cluster for model quantization is optional, you can run the `runner.py` script without AKS.
|
||||
|
||||
The setup script requires the following environment variables be set before hand:
|
||||
|
||||
- **SNPE_SDK** - points to a local zip file containing SNPE SDK (we have tested version `snpe-2.5.0.4052.zip`)
|
||||
- **ANDROID_NDK** - points to a local zip file containing the Android NDK zip file (we have tested version `android-ndk-r25c-linux.zip`)
|
||||
- **INPUT_TESTSET** - points to a local zip file containing 10,000 image test set from your dataset.
|
||||
|
||||
The [SNPE Readme](../../snpe/readme.md) shows where to find those zip files.
|
||||
|
||||
After running this script you will see further instructions, first a docker command line in case you
|
||||
want to build the docker image that runs in a kubernetes cluster. Second, you will see a
|
||||
`set MODEL_STORAGE_CONNECTION_STRING=...` that you can set for your system so that subsequent scripts
|
||||
talk to the right azure storage account. On linux this would be an export in your `~/.profile`, and
|
||||
don't forget the double quotes.
|
||||
|
||||
```
|
||||
export MODEL_STORAGE_CONNECTION_STRING="DefaultEndpointsProtocol=https;AccountName=mymodels;AccountKey=...==;EndpointSuffix=core.windows.net"
|
||||
```
|
||||
|
||||
## Dockerfile
|
||||
|
||||
This builds a docker image that you can run in a Azure Kubernetes cluster that will do SNPE model
|
||||
quantization in the cloud. This frees up your Linux box that is managing Qualcomm devices and helps
|
||||
you increase your Qualcomm device utilization.
|
||||
|
||||
The `setup.ps1` script shows what docker commands to run to build the image, how to login to your
|
||||
azure docker container registry, how to take your image for that container registry and push it
|
||||
to Azure. So you do not need to use the public docker.org container registry. You will decide
|
||||
what version number to attach to your image here and the same version needs to be specified in the
|
||||
following `quantizer.yaml`.
|
||||
|
||||
You can also test your docker image locally by running:
|
||||
```
|
||||
docker run -e MODEL_STORAGE_CONNECTION_STRING=$MODEL_STORAGE_CONNECTION_STRING -it <image_id>
|
||||
```
|
||||
|
||||
If you need to debug your docker image interactively you can run this instead:
|
||||
```
|
||||
docker run -it <image_id> /bin/bash
|
||||
```
|
||||
Then you can poke around the `run.sh` and other things to verify things manually.
|
||||
|
||||
## Publish image to your Azure Container Registry
|
||||
|
||||
First you need to tag your newly created image with the correct name:
|
||||
```
|
||||
docker tag <image_id> snpecontainerregistry001.azurecr.io/quantizer:1.27
|
||||
```
|
||||
|
||||
You can find the correct version in the `quantizer.yaml` file that was updated by `setup.ps1`.
|
||||
|
||||
Then you can push this image to your Azure Container Registry named `snpecontainerregistry001`. You
|
||||
can configure your local docker so it can talk to this Azure Kubernetes cluster (AKS). The Azure
|
||||
Portal has a connect script under the AKS resource Overview. You will see a `Connect` button
|
||||
that shows a string like this:
|
||||
```
|
||||
az aks get-credentials --resource-group snpe-quantizaton-rg --name snpe-quantizer-aks
|
||||
```
|
||||
Run that locally and then you can push docker images to this registry.:
|
||||
|
||||
```
|
||||
docker push snpecontainerregistry001.azurecr.io/quantizer:1.27
|
||||
```
|
||||
|
||||
Again, make sure you specify the right version here. The `setup.ps1` script will automatically
|
||||
increment this version number each time it runs in case you need to push new versions of this image.
|
||||
|
||||
## quantizer.yaml
|
||||
|
||||
Then you can use `kubectl apply -f quantizer.yaml` to configure the AKS custer. Note that the version
|
||||
of the image to use is specified in this file so you may need to edit the file and change the
|
||||
version `1.13` to whatever you just tagged and pushed to the azure container registry.
|
||||
|
||||
Notice this yaml configures AKS to scale up to 100 nodes if necessary and the scaling is triggered
|
||||
when a given node passes 40% CPU utilization. You can tweak these numbers however you like to fit
|
||||
your budget. But you may be surprised by how cheap AKS is. In a month of quantizing over 8000
|
||||
models, the Azure cost analysis shows a total cost of around $8. A drop in the bucket compared to
|
||||
model training costs. The AKS cluster auto-scales, so most of the time it is scaled down to 1 node
|
||||
and sitting idle, generating very little cost.
|
||||
|
||||
This quantizer runs in the `snpe` kubernetes namespace, and you can make this your default namespace
|
||||
by running:
|
||||
```
|
||||
kubectl config set-context --current --namespace=snpe
|
||||
```
|
||||
|
||||
You can run `kubectl get pods` to see what is running in Azure and you should see something like this:
|
||||
```
|
||||
NAME READY STATUS RESTARTS AGE
|
||||
snpe-quantizer-54dcf74c99-kfj8p 0/1 ContainerCreating 0 4s
|
||||
snpe-quantizer-845c7cfcd8-q8kjh 1/1 Running 0 47h
|
||||
```
|
||||
|
||||
You can watch what these pods are doing by running:
|
||||
```
|
||||
kubectl logs snpe-quantizer-54dcf74c99-kfj8p -f
|
||||
```
|
||||
And you will see some output like this:
|
||||
```
|
||||
Sleeping for 30 seconds...
|
||||
Using storage account: "nasfacemodels"
|
||||
snpe-quantizer-d9f4b6c96-jsb7q: model test is running on: clovett-14_e6dc0375
|
||||
# skip entity test because someone else is working on it
|
||||
No work found.
|
||||
Sleeping for 30 seconds...
|
||||
```
|
||||
This is good and means the pod is waiting for work to show up in the `status` table in your
|
||||
Azure storage account. You can now use the [upload.py](../../azure/upload.py) script to upload a
|
||||
face segmentation ONNX model to do a test run. You can train one of these models using
|
||||
[train.py](../../../train.py) to train one of good model architectures listed in
|
||||
[archs/snp_target](../../../archs/snp_target).
|
||||
|
||||
## run.sh
|
||||
|
||||
This little script is used as the entry point to the Docker image, you will see this in the last
|
||||
`RUN` command in the Dockerfile.
|
||||
|
|
@ -0,0 +1,23 @@
|
|||
azure-storage-blob
|
||||
azure-data-tables
|
||||
azureml-mlflow
|
||||
scikit-image
|
||||
scikit-learn
|
||||
scikit-build
|
||||
protobuf==3.20
|
||||
opencv-contrib-python
|
||||
matplotlib
|
||||
onnx==1.11.0
|
||||
onnxruntime
|
||||
onnx-simplifier
|
||||
importlib-metadata
|
||||
packaging
|
||||
cryptography
|
||||
psutil
|
||||
tqdm
|
||||
pandas
|
||||
scipy
|
||||
numpy
|
||||
ipykernel
|
||||
sphinx
|
||||
pyyaml
|
||||
|
|
@ -0,0 +1,26 @@
|
|||
#!/bin/bash
|
||||
mkdir -p /home/archai/experiment
|
||||
|
||||
export INPUT_DATASET=/home/archai/datasets/FaceSynthetics
|
||||
if [[ ! -d $INPUT_DATASET ]]; then
|
||||
mkdir -p $INPUT_DATASET
|
||||
pushd $INPUT_DATASET
|
||||
azcopy copy https://nasfacemodels.blob.core.windows.net/downloads/099000.zip .
|
||||
unzip 099000.zip
|
||||
rm -rf 099000.zip
|
||||
popd
|
||||
fi
|
||||
|
||||
python -m olive.snpe.configure
|
||||
|
||||
pushd /home/archai/experiment
|
||||
|
||||
while true
|
||||
do
|
||||
python -u /home/archai/archai/tasks/face_segmentation/snpe/azure/runner.py
|
||||
if [ $? != 0 ]; then
|
||||
echo "Script returned an error code!"
|
||||
fi
|
||||
echo "Sleeping for 30 seconds..."
|
||||
sleep 30
|
||||
done
|
||||
|
|
@ -0,0 +1,249 @@
|
|||
# assumes you have already run "az login" and "az account set --subscription id"
|
||||
# also assumes you have run "az aks install-cli"
|
||||
|
||||
$resource_group = "snpe-quantizaton-rg"
|
||||
$storage_account_name = "nasfacemodels"
|
||||
$plan_location = "westus2"
|
||||
$aks_cluster = "snpe-quantizer-aks"
|
||||
$aks_node_vm = "Standard_D16s_v3"
|
||||
$aks_namespace = "snpe"
|
||||
|
||||
# This registry name is also referenced in quantizer.yaml
|
||||
$registry_name = "snpecontainerregistry001"
|
||||
|
||||
function Check-Provisioning($result) {
|
||||
$rc = Join-String -Separator "`n" -InputObject $rc
|
||||
$x = ConvertFrom-Json $rc
|
||||
if ($x.provisioningState -ne "Succeeded") {
|
||||
Write-Error "Failed to create registry"
|
||||
Write-Error $rc
|
||||
exit 1
|
||||
}
|
||||
}
|
||||
|
||||
function GetConnectionString()
|
||||
{
|
||||
$x = az storage account show-connection-string --name $storage_account_name --resource-group $resource_group | ConvertFrom-Json
|
||||
return $x.connectionString
|
||||
}
|
||||
|
||||
function CreateBlobContainer($name, $conn_str)
|
||||
{
|
||||
Write-Host "Checking blob container '$name' exists"
|
||||
$rc = &az storage container exists --name $name --connection-string $conn_str | ConvertFrom-Json
|
||||
if (-not $rc.exists) {
|
||||
Write-Host "Creating blob container $name"
|
||||
$rc = &az storage container create --name $name --resource-group $resource_group --connection-string $conn_str | ConvertFrom-Json
|
||||
if (-not $rc.created) {
|
||||
Write-Error "Failed to create blob container $name"
|
||||
Write-Error $rc
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
function EnablePublicAccess($name, $conn_str){
|
||||
Write-Host "Checking blob container '$name' has public access"
|
||||
$rc = &az storage container show-permission --name $name --connection-string $conn_str | ConvertFrom-Json
|
||||
if ($rc.publicAccess -ne "blob" ){
|
||||
Write-Host "Setting blob container '$name' permissions for public access"
|
||||
$rc = &az storage container set-permission --name $name --public-access blob --connection-string $conn_str
|
||||
}
|
||||
}
|
||||
|
||||
function GetZipRootName($zip)
|
||||
{
|
||||
$zip = [IO.Compression.ZipFile]::OpenRead($zip)
|
||||
$entries = $zip.Entries
|
||||
$root = [System.IO.Path]::GetDirectoryName($entries[0].FullName)
|
||||
$zip.Dispose()
|
||||
return $root
|
||||
}
|
||||
|
||||
function CopyLocal($zip)
|
||||
{
|
||||
$a = [System.IO.Path]::GetDirectoryName([System.IO.Path]::GetFullPath($zip))
|
||||
$b = [System.IO.Path]::GetFullPath(".")
|
||||
if ($a -ne $b) {
|
||||
Copy-Item -Path $zip -Destination "."
|
||||
}
|
||||
}
|
||||
|
||||
function EnsureNamespace($name)
|
||||
{
|
||||
Write-Host "Checking kubernetes namespaces"
|
||||
$rc = &kubectl get namespace $name 2>&1
|
||||
if ($rc.ToString().Contains("NotFound")) {
|
||||
Write-Host "Creating kubernetes namespace $name" 2>&1
|
||||
$rc = &kubectl create namespace $name
|
||||
Write-Host "Create returned: $rc"
|
||||
}
|
||||
}
|
||||
|
||||
if ("$Env:SNPE_SDK" -eq "")
|
||||
{
|
||||
Write-Host "Please set your SNPE_SDK path so we can upload the SNPE SDK zip file to Azure"
|
||||
exit 1
|
||||
}
|
||||
|
||||
CopyLocal -zip $Env:SNPE_SDK
|
||||
$snpe_sdk_zip = [System.IO.Path]::GetFileName($Env:SNPE_SDK)
|
||||
$snpe_root = GetZipRootName -zip $Env:SNPE_SDK
|
||||
|
||||
if ("$Env:ANDROID_NDK" -eq ""){
|
||||
Write-Host "Please set your ANDROID_NDK path so we can upload the Android NDK zip file to Azure"
|
||||
exit 1
|
||||
}
|
||||
|
||||
CopyLocal -zip $Env:ANDROID_NDK
|
||||
$android_sdk_zip = [System.IO.Path]::GetFileName($Env:ANDROID_NDK)
|
||||
$android_ndk_root = GetZipRootName -zip $Env:ANDROID_NDK
|
||||
|
||||
if ("$Env:INPUT_TESTSET" -eq ""){
|
||||
Write-Host "Please set your INPUT_TESTSET path pointing to zip file containing the 10k test set images"
|
||||
exit 1
|
||||
}
|
||||
|
||||
Write-Host "Checking azure account..."
|
||||
$output = &az account show 2>&1
|
||||
if ($output.Contains("ERROR:"))
|
||||
{
|
||||
Write-Host "Please login to an azure account using 'az login' and set the subscription you want to use."
|
||||
Write-Host "using 'az account set --subscriptoin id' then try again."
|
||||
Exit 1
|
||||
}
|
||||
|
||||
$account = $output | ConvertFrom-Json
|
||||
$name = $account.name
|
||||
$subscription = $account.id
|
||||
Write-Host "You are using azure subscription $name with id $subscription"
|
||||
$proceed = Read-Host -Prompt "Do you want to proceed (y/n) "
|
||||
$lower = $proceed.ToLowerInvariant()
|
||||
if ($lower -ne 'yes' -and $lower -ne 'y'){
|
||||
Write-Host "Your answer $lower does not match 'yes' or 'y' so the script is terminating."
|
||||
Exit 1
|
||||
}
|
||||
|
||||
|
||||
# ======= Storage account
|
||||
Write-Host Checking storage account $storage_account_name...
|
||||
$rc = &az storage account show --resource-group $resource_group --name $storage_account_name 2>&1
|
||||
$rc = Join-String -Separator "`n" -InputObject $rc
|
||||
if ($rc.Contains("ResourceNotFound")) {
|
||||
Write-Host Creating storage account $storage_account_name...
|
||||
$rc = &az storage account create --name $storage_account_name --resource-group $resource_group --location $plan_location --kind StorageV2 --sku Standard_LRS 2>&1
|
||||
}
|
||||
Check-Provisioning -result $rc
|
||||
|
||||
$conn_str = GetConnectionString
|
||||
|
||||
CreateBlobContainer -name "models" -conn_str $conn_str
|
||||
CreateBlobContainer -name "downloads" -conn_str $conn_str
|
||||
EnablePublicAccess -name "downloads" -conn_str $conn_str
|
||||
|
||||
Write-Host Checking container registry $registry_name
|
||||
$rc = &az acr show --resource-group $resource_group --name $registry_name 2>&1
|
||||
if ($rc.Contains("ResourceNotFound")) {
|
||||
Write-Host Creating container registry $registry_name...
|
||||
$rc = &az acr create --resource-group $resource_group --name $registry_name --sku Standard 2>&1
|
||||
Check-Provisioning -result $rc
|
||||
$rc = &az acr update --name $registry_name --anonymous-pull-enabled true --admin-enabled true
|
||||
}
|
||||
|
||||
Check-Provisioning -result $rc
|
||||
|
||||
$rc = &az acr login --name $registry_name --expose-token | ConvertFrom-Json
|
||||
$token = $rc.accessToken
|
||||
$acrServer = $rc.loginServer
|
||||
|
||||
# ======= aks cluster
|
||||
Write-Host Checking aks cluster..
|
||||
$rc = &az aks show --name $aks_cluster --resource-group $resource_group 2>&1
|
||||
if ($rc.Contains("ResourceNotFound")) {
|
||||
# note, azure requires min of 10 pods per node, but our pods are running expensive quantization job, so
|
||||
# to allow 10 of those to run on a node we've had to scale up our VM to Standard_D16s_v3 with 16 cores and 64 gb RAM.
|
||||
# even then we'll see how well that performs... could be 10 quantizations on a node will thrash it to bits...
|
||||
$rc = &az aks create --name $aks_cluster --resource-group $resource_group --location $plan_location --enable-cluster-autoscaler `
|
||||
--node-osdisk-size 250 --min-count 1 --max-count 10 --max-pods 10 --node-osdisk-size 100 --node-vm-size $aks_node_vm `
|
||||
--node-osdisk-type Managed --nodepool-name nodepool1 2>&1
|
||||
}
|
||||
|
||||
Check-Provisioning -result $rc
|
||||
|
||||
$rc = &"$env:windir\system32\where" kubectl.exe 2>&1
|
||||
print("where kubectl.exe => $rc")
|
||||
if ($rc.ToString().Contains("Could not find files")) {
|
||||
Write-Host "kubectl not found, skipping kubectl setup."
|
||||
if ($IsWindows){
|
||||
Write-Host "You can build the quantizer docker image on Windows if you install the Docker Desktop for Windows"
|
||||
Write-Host "and set it to Linux container mode and you can manage your Azure Kubernetes cluster using kubectl if"
|
||||
Write-Host "you enable the docker desktop Kubernetes support under Settings."
|
||||
}
|
||||
}
|
||||
else
|
||||
{
|
||||
# this makes it possible to use kubectl locally to manage this cluster.
|
||||
&az aks get-credentials --resource-group $resource_group --name $aks_cluster
|
||||
EnsureNamespace -name $aks_namespace
|
||||
}
|
||||
|
||||
Write-Host "======= upload INPUT_TESTSET"
|
||||
$fileName = [System.IO.Path]::GetFileName($Env:INPUT_TESTSET)
|
||||
$rc = az storage blob exists --account-name $storage_account_name --container-name downloads --name $fileName --connection-string $conn_str | ConvertFrom-Json
|
||||
if ($rc.exists){
|
||||
Write-Host "File $fileName already exists in 'downloads' container"
|
||||
} else {
|
||||
Write-Host "Uploading $fileName to 'downloads' container"
|
||||
az storage blob upload --file "$Env:INPUT_TESTSET" --account-name $storage_account_name --container-name downloads --name $fileName --connection-string "$conn_str"
|
||||
}
|
||||
|
||||
$test_set_url="https://$storage_account_name.blob.core.windows.net/downloads/$fileName"
|
||||
Write-Host "Test set url is $test_set_url"
|
||||
|
||||
# populate MODEL_STORAGE_CONNECTION_STRING variable in quantizer.template.yaml
|
||||
$template = Get-Content -Path "quantizer.template.yaml"
|
||||
|
||||
$tags = &az acr repository show-tags -n $registry_name --repository quantizer | ConvertFrom-JSON
|
||||
|
||||
if ($tags.GetType().Name -eq "String"){
|
||||
$tags = @($tags)
|
||||
}
|
||||
|
||||
$latest = [Version]"1.0"
|
||||
foreach ($t in $tags) {
|
||||
$v = [Version]$t
|
||||
if ($v -gt $latest){
|
||||
$latest = $v
|
||||
}
|
||||
}
|
||||
|
||||
$v = [Version]$latest
|
||||
$vnext = [System.String]::Format("{0}.{1}", $v.Major, $v.Minor + 1)
|
||||
Write-Host "Creating quantizer.yaml and setting image version $vnext"
|
||||
$template = $template.Replace("quantizer:1.0", "quantizer:$vnext")
|
||||
$template = $template.Replace("$MSCS$", $conn_str)
|
||||
Set-Content -Path "quantizer.yaml" -Value $template
|
||||
|
||||
# ================= Write out info/next steps ================
|
||||
|
||||
Write-Host ""
|
||||
Write-Host docker build `
|
||||
--build-arg "SNPE_SDK_ZIP=$snpe_sdk_zip" --build-arg "SNPE_SDK_ROOT=$snpe_root" `
|
||||
--build-arg "ANDROID_NDK_ZIP=$android_sdk_zip" --build-arg "ANDROID_NDK_ROOT=$android_ndk_root" `
|
||||
. --progress plain
|
||||
|
||||
Write-Host ""
|
||||
Write-Host "### Run the above docker build to build the docker image and the following to publish it..."
|
||||
Write-Host "Get the password from Azure portal for $registry_name under Access keys:"
|
||||
Write-Host " docker login $acrServer -u $registry_name -p <get password>"
|
||||
Write-Host " az aks get-credentials --resource-group $resource_group --name $aks_cluster"
|
||||
Write-Host " docker tag ... $registry_name.azurecr.io/quantizer:$vnext"
|
||||
Write-Host " docker push $registry_name.azurecr.io/quantizer:$vnext"
|
||||
Write-Host ""
|
||||
Write-Host "To cleanup old images see cleanup.ps1"
|
||||
Write-Host ""
|
||||
Write-Host "### Apply the new image on your cluster..."
|
||||
Write-Host " kubectl apply -f quantizer.yaml"
|
||||
|
||||
Write-Host ""
|
||||
Write-Host "### To run the runner script locally please set the following environment variable: "
|
||||
Write-HOst "set MODEL_STORAGE_CONNECTION_STRING=$conn_str"
|
||||
|
|
@ -0,0 +1,49 @@
|
|||
<?xml version="1.0" encoding="utf-8"?>
|
||||
<DirectedGraph xmlns="http://schemas.microsoft.com/vs/2009/dgml">
|
||||
<Nodes>
|
||||
<Node Id="..." Bounds="-891.259155273438,-397.317448474421,50,25.96" UseManualLocation="True" />
|
||||
<Node Id="...1" Bounds="-899.17041015625,-141.018983432007,50,25.96" Label="..." UseManualLocation="True" />
|
||||
<Node Id="AzureBlobStore" Bounds="-1193.71833333333,-519.02,106.03,25.96" Label="azure blob store" UseManualLocation="True" />
|
||||
<Node Id="AzureStatusTable" Bounds="-1193.71833333333,-445.02,112.973333333333,25.96" Label="azure status table" UseManualLocation="True" />
|
||||
<Node Id="JupyterNotebook" Bounds="-1396.73103800456,-328.529480438232,115.163333333333,25.96" Label="Jupyter Notebook" UseManualLocation="True" />
|
||||
<Node Id="KubernetesCluster" Bounds="-1208.17041666667,-308.193725585938,119.78,25.96" Label="Kubernetes Cluster" UseManualLocation="True" />
|
||||
<Node Id="QualcommDevice" Bounds="-769.718333333333,-534.029998779297,115.2,25.96" Label="Qualcomm device" UseManualLocation="True" />
|
||||
<Node Id="QualcommDevice1" Bounds="-771.540833333333,-453.524998168945,115.2,25.96" Label="Qualcomm device" UseManualLocation="True" />
|
||||
<Node Id="Runner.py" Bounds="-903.436666666667,-534.04,70.4533333333334,25.96" Label="runner.py" UseManualLocation="True" />
|
||||
<Node Id="Runner.py1" Bounds="-900.436666666666,-453.277548474121,70.4533333333334,25.96" Label="runner.py" UseManualLocation="True" />
|
||||
<Node Id="Runner.py2" Bounds="-899.452100016276,-313.899282537842,70.4533333333334,25.96" Label="runner.py" UseManualLocation="True" />
|
||||
<Node Id="Runner.py3" Bounds="-903.170422770182,-257.939182537842,70.4533333333334,25.96" Label="runner.py" UseManualLocation="True" />
|
||||
<Node Id="Runner.py4" Bounds="-901.449353434245,-196.979083432007,70.4533333333334,25.96" Label="runner.py" UseManualLocation="True" />
|
||||
<Node Id="SnpeQuantiation" Bounds="-760.452083333333,-251.989580438032,109.126666666667,25.96" Label="snpe quantiation" UseManualLocation="True" />
|
||||
<Node Id="SnpeQuantization" Bounds="-765.452083333333,-319.111862182617,114.553333333333,25.96" Label="snpe quantization" UseManualLocation="True" />
|
||||
<Node Id="Test_onnx" Bounds="-761.731038004557,-196.029480438032,70.6,25.96" Label="test_onnx" UseManualLocation="True" />
|
||||
<Node Id="Upload" Bounds="-1358,-486,56.9533333333334,25.96" Label="upload" UseManualLocation="True" />
|
||||
</Nodes>
|
||||
<Links>
|
||||
<Link Source="AzureBlobStore" Target="Runner.py" Bounds="-1087.68830810547,-518.622952023936,175.265282619028,9.66072548941548" />
|
||||
<Link Source="AzureBlobStore" Target="Runner.py1" Bounds="-1088.87310498647,-493.671486483734,179.682249037085,42.8785481723203" />
|
||||
<Link Source="AzureBlobStore" Target="Runner.py2" Bounds="-1123.20784148837,-493.060008544922,234.258958940773,173.798238915231" />
|
||||
<Link Source="AzureStatusTable" Target="JupyterNotebook" Bounds="-1308.85493100781,-419.059993286133,149.124540767732,86.0330250379735" />
|
||||
<Link Source="AzureStatusTable" Target="Runner.py" Bounds="-1100.05297851563,-505.965637207031,188.762878417969,60.9456481933594" />
|
||||
<Link Source="AzureStatusTable" Target="Runner.py1" Bounds="-1128.9501953125,-459.267211914063,219.597229003906,14.2472229003906" />
|
||||
<Link Source="AzureStatusTable" Target="Runner.py2" Bounds="-1125.57153320313,-419.059997558594,218.665649414063,102.314849853516" />
|
||||
<Link Source="KubernetesCluster" Target="Runner.py2" Bounds="-1088.39039550781,-300.030978319804,179.940110471371,3.61429271166003" />
|
||||
<Link Source="KubernetesCluster" Target="Runner.py3" Bounds="-1088.48298803671,-284.494147681096,176.453782358855,31.6319870791329" />
|
||||
<Link Source="KubernetesCluster" Target="Runner.py4" Bounds="-1115.36108846197,-282.233729858398,207.979818936008,82.0059196880921" />
|
||||
<Link Source="Runner.py" Target="AzureStatusTable" Bounds="-1131.49816894531,-516.163635253906,228.0615234375,69.8030700683594" />
|
||||
<Link Source="Runner.py" Target="QualcommDevice" Bounds="-832.983324788411,-521.057729225212,54.2649914734869,0.00347075341346681" />
|
||||
<Link Source="Runner.py1" Target="AzureStatusTable" Bounds="-1096.17529296875,-453.341644287109,195.738647460938,11.53271484375" />
|
||||
<Link Source="Runner.py1" Target="QualcommDevice1" Bounds="-829.983324788411,-440.436044683939,49.4425034983809,0.0808848954610539" />
|
||||
<Link Source="Runner.py2" Target="AzureStatusTable" Bounds="-1130.11853027344,-414.711029052734,230.666442871094,107.175262451172" />
|
||||
<Link Source="Runner.py2" Target="SnpeQuantization" Bounds="-828.998766682943,-303.91817535817,54.5517017881938,1.8222062802526" />
|
||||
<Link Source="Runner.py3" Target="SnpeQuantiation" Bounds="-832.717089436849,-243.665883447078,63.271065419621,2.32289765526392" />
|
||||
<Link Source="Runner.py4" Target="Test_onnx" Bounds="-830.996020100911,-183.759789886113,60.2651897407106,0.409381159973066" />
|
||||
<Link Source="Upload" Target="AzureBlobStore" Bounds="-1301.04664876302,-495.218628273773,98.4628791895163,17.2187510083821" />
|
||||
<Link Source="Upload" Target="AzureStatusTable" Bounds="-1301.04664876302,-466.951233796788,99.2138483678966,21.1438396495243" />
|
||||
</Links>
|
||||
<Properties>
|
||||
<Property Id="Bounds" DataType="System.Windows.Rect" />
|
||||
<Property Id="Label" Label="Label" Description="Displayable label of an Annotatable object" DataType="System.String" />
|
||||
<Property Id="UseManualLocation" DataType="System.Boolean" />
|
||||
</Properties>
|
||||
</DirectedGraph>
|
||||
Двоичный файл не отображается.
|
После Ширина: | Высота: | Размер: 28 KiB |
Различия файлов скрыты, потому что одна или несколько строк слишком длинны
|
|
@ -0,0 +1,103 @@
|
|||
import numpy as np
|
||||
from scipy import interpolate
|
||||
from scipy import spatial
|
||||
from functools import reduce
|
||||
|
||||
|
||||
def spline_fit(xs, ys):
|
||||
indexes = np.argsort(np.array(xs), axis=0)
|
||||
ixs = []
|
||||
iys = []
|
||||
for i in indexes:
|
||||
ixs += [xs[i]]
|
||||
iys += [ys[i]]
|
||||
|
||||
f = interpolate.UnivariateSpline(ixs, iys)
|
||||
f.set_smoothing_factor(0.1)
|
||||
xn = np.linspace(ixs[0], ixs[-1], 100)
|
||||
return [xn, f(xn)]
|
||||
|
||||
|
||||
def filter_(pts, pt):
|
||||
"""
|
||||
Get all points in pts that are not Pareto dominated by the point pt
|
||||
"""
|
||||
weakly_worse = (pts <= pt).all(axis=-1)
|
||||
strictly_worse = (pts < pt).any(axis=-1)
|
||||
return pts[~(weakly_worse & strictly_worse)]
|
||||
|
||||
|
||||
def get_pareto_undominated_by(pts1, pts2=None):
|
||||
"""
|
||||
Return all points in pts1 that are not Pareto dominated
|
||||
by any points in pts2
|
||||
"""
|
||||
if pts2 is None:
|
||||
pts2 = pts1
|
||||
return reduce(filter_, pts2, pts1)
|
||||
|
||||
|
||||
def get_pareto_frontier(pts):
|
||||
"""
|
||||
Iteratively filter points based on the convex hull heuristic
|
||||
"""
|
||||
pareto_groups = []
|
||||
|
||||
# loop while there are points remaining
|
||||
while pts.shape[0]:
|
||||
# brute force if there are few points:
|
||||
if pts.shape[0] < 10:
|
||||
pareto_groups.append(get_pareto_undominated_by(pts))
|
||||
break
|
||||
|
||||
# compute vertices of the convex hull
|
||||
hull_vertices = spatial.ConvexHull(pts).vertices
|
||||
|
||||
# get corresponding points
|
||||
hull_pts = pts[hull_vertices]
|
||||
|
||||
# get points in pts that are not convex hull vertices
|
||||
nonhull_mask = np.ones(pts.shape[0], dtype=bool)
|
||||
nonhull_mask[hull_vertices] = False
|
||||
pts = pts[nonhull_mask]
|
||||
|
||||
# get points in the convex hull that are on the Pareto frontier
|
||||
pareto = get_pareto_undominated_by(hull_pts)
|
||||
pareto_groups.append(pareto)
|
||||
|
||||
# filter remaining points to keep those not dominated by
|
||||
# Pareto points of the convex hull
|
||||
pts = get_pareto_undominated_by(pts, pareto)
|
||||
|
||||
return np.vstack(pareto_groups)
|
||||
|
||||
|
||||
def pareto_curve(Xs, Ys):
|
||||
# in our case faster is better so invert the X axis
|
||||
pts = np.array(list(zip(Xs, Ys))) * np.array((-1, 1))
|
||||
result = get_pareto_frontier(pts)
|
||||
indices = []
|
||||
for pt in result:
|
||||
i = np.where(pts == pt)[0][0]
|
||||
indices += [i]
|
||||
return indices
|
||||
|
||||
|
||||
def get_pareto_edges(xs, ys):
|
||||
left = None
|
||||
top = None
|
||||
bottom = None
|
||||
right = None
|
||||
for i in range(len(xs)):
|
||||
x = xs[i]
|
||||
y = ys[i]
|
||||
if left is None or x < left:
|
||||
left = x
|
||||
if bottom is None or y < bottom:
|
||||
bottom = y
|
||||
if top is None or y > top:
|
||||
top = y
|
||||
if right is None or x > right:
|
||||
right = x
|
||||
|
||||
return (left, bottom, right, top)
|
||||
|
|
@ -0,0 +1,70 @@
|
|||
# Readme
|
||||
|
||||
This folder contains code that automates the testing of ONNX models across one or more machines that are connected via
|
||||
USB to Qualcomm 888 boards.
|
||||
|
||||
The code is organized into:
|
||||
|
||||
1. [SNPE Device Code](snpe/readme.md) that knows how to use the Qualcomm Neural Processing SDK to talk to the device,
|
||||
convert ONNX models to .dlc, quantize them, and test them on the board using the Android `adb` tool.
|
||||
|
||||
1. [Azure Code](azure/readme.md) that talks to a configured Azure storage account for uploading models to test,
|
||||
downloading them, uploading test results, and keeping an Azure table "status" that summarizes results of all your
|
||||
models.
|
||||
|
||||
1. [Docker](docker/quantizer/readme.md) scripts for setting up your Azure account and optionally creating a docker image
|
||||
for running in an Azure Kubernetes cluster to do model quantization using the Qualcomm Neural Processing SDK.
|
||||
Quantization is time consuming so having an elastic scale speeds things up a lot.
|
||||
|
||||
1. [Notebooks](notebook/gallery_performance.md) contains a Jupyter Notebook that can visualize the results from the
|
||||
Azure "status" table.
|
||||
|
||||
It is best if you setup a new Conda Python environment for Python 3.10 with the `requirements.txt` included here using:
|
||||
|
||||
```shell
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
|
||||
The SNPE SDK only works on Linux, so you need a Linux machine with this repo. Then follow additional setup in each of
|
||||
the above readmes.
|
||||
|
||||
## Workflow
|
||||
|
||||
The overall workflow looks like this. One or more Linux machines are setup as above and are running `azure/runner.py`
|
||||
including a Kubernetes cluster setup for quantization (see [docker/quantizer](docker/quantizer) folder).
|
||||
|
||||
|
||||
|
||||
Each instance of `runner.py` looks for work, and executes it in priority order where the prioritization is defined by
|
||||
the `find_work_prioritized` function in the runner. This script is completely restartable, and can distribute the work
|
||||
across multiple instances of the runner script. Each instance will pick up where a previous one left off based on what
|
||||
it finds in your "status" Azure table. The prioritization maps to the columns of the status table as follows:
|
||||
|
||||
1. **macs:** convert to .dlc and post Macs score and `snpe-dlc-viewer` output and do model quantization (runs on Linux) - priority 20
|
||||
1. **total_inference_avg** run `snpe_bench.py` with quantized model on Qualcomm device DSP - priority 30
|
||||
1. **f1_onnx** compute f1 from onnxruntime on .onnx model on a 10k test set on Linux - priority 60
|
||||
1. **f1_1k** compute f1 on quantized .dlc model on Qualcomm device DSP with a 1k test set - priority
|
||||
is the mean f1 score so that quicker models are prioritized.
|
||||
1. **f1_1k_f** compute f1 on floating point .dlc model on on Qualcomm device CPU with a 1k test set
|
||||
- priority 10 * the mean f1 score so that quicker models are prioritized.
|
||||
1. **f1_10k** compute f1 on quantized model on a 10k test set - priority = 100 * the mean f1 score
|
||||
so that quicker models are prioritized.
|
||||
|
||||
Lower number means higher priority job and each machine will run the highest priority work first.
|
||||
|
||||
You can override the priority of a specific job by passing a `--proprity` parameter on the `upload.py` script or by
|
||||
editing the Azure `status` table and adding a `priority` field to the JSON stored there. You can set any priority number
|
||||
you want, if you specify priority 0 it will run before anything else which can be handy if you have a cool new model
|
||||
that you want to bump to the top of the list.
|
||||
|
||||
Notice some of the above jobs can run on Linux and do not require Qualcomm device. So in order to maximize throughput on
|
||||
machines that do have a Qualcomm devices you can allocate other Linux machines with no Qualcomm devices to do the other
|
||||
work, namely, converting models, quantizing them, and running the `f1_onnx` test.
|
||||
|
||||
Folks across your team can use the `azure/upload.py` to submit jobs and let them run, or they can automate that as
|
||||
shown in the `RemoteAzureBenchmarkEvaluator` in the `search.py` script.
|
||||
|
||||
You can use `status.py` to monitor progress or look at the Azure `status` table. Various status messages are posted
|
||||
there so you can see which machine is doing what and is in what stage of the job.
|
||||
|
||||
Next you can go to the `notebook` page and get some pretty pictures of your Pareto Curves.
|
||||
|
|
@ -0,0 +1,22 @@
|
|||
importlib-metadata!=4.7.0,<6,>=3.7.0
|
||||
packaging<22.0,>=20.0
|
||||
cryptography<39,>=38.0.0
|
||||
psutil
|
||||
tqdm
|
||||
pandas
|
||||
scipy
|
||||
numpy
|
||||
ipykernel
|
||||
azure-storage-blob
|
||||
azure-data-tables
|
||||
azureml-mlflow
|
||||
scikit-image
|
||||
scikit-learn
|
||||
scikit-build
|
||||
opencv-contrib-python
|
||||
onnx==1.11.0
|
||||
onnxruntime
|
||||
onnx-simplifier
|
||||
pyyaml
|
||||
matplotlib
|
||||
git+https://github.com/microsoft/Olive.git@d880057ef36916f556080cbad2daddb3cfd1c08d#egg=olive-ai
|
||||
|
|
@ -0,0 +1,116 @@
|
|||
import os
|
||||
import sys
|
||||
import json
|
||||
import subprocess
|
||||
|
||||
home = os.getenv("HOME")
|
||||
experiments = f"{home}/snpe/experiment"
|
||||
script_dir = os.path.dirname(os.path.abspath(__file__))
|
||||
map_file = os.path.join(script_dir, "map.txt")
|
||||
command = f'{script_dir}/../azure/loop.sh'
|
||||
|
||||
|
||||
def run(cmd):
|
||||
p = subprocess.Popen(cmd, stdin=subprocess.PIPE, stdout=subprocess.PIPE, stderr=subprocess.PIPE, encoding='utf-8')
|
||||
stdout, stderr = p.communicate()
|
||||
return (stdout.strip(), stderr.strip())
|
||||
|
||||
|
||||
def find_screens():
|
||||
screens = {}
|
||||
stdout, stderr = run(["screen", "-list"])
|
||||
if stderr != "":
|
||||
print("screen -list failed: ")
|
||||
print(stderr)
|
||||
sys.exit(1)
|
||||
for line in stdout.splitlines():
|
||||
parts = line.strip().split('\t')
|
||||
if len(parts) > 1:
|
||||
id = parts[0]
|
||||
parts = id.split(".")
|
||||
if len(parts) == 2:
|
||||
proc, device = parts
|
||||
screens[device] = proc
|
||||
else:
|
||||
print("### skipping unrecognized screen name: {id}")
|
||||
return screens
|
||||
|
||||
|
||||
def find_devices():
|
||||
devices = []
|
||||
stdout, stderr = run(["adb", "devices"])
|
||||
if stderr != "":
|
||||
print("adb devices failed: ")
|
||||
print(stderr)
|
||||
sys.exit(1)
|
||||
for line in stdout.splitlines():
|
||||
parts = line.split('\t')
|
||||
if len(parts) == 2 and parts[1] == 'device':
|
||||
devices += [parts[0]]
|
||||
return devices
|
||||
|
||||
|
||||
def load_map():
|
||||
map = {}
|
||||
if os.path.exists(map_file):
|
||||
with open(map_file, "r") as f:
|
||||
map = json.load(f)
|
||||
return map
|
||||
|
||||
|
||||
def save_map(map):
|
||||
with open(map_file, "w") as f:
|
||||
json.dump(map, f, indent=2)
|
||||
return map
|
||||
|
||||
|
||||
def allocate_folder(map, id):
|
||||
next = 1
|
||||
inverse_map = {v: k for k, v in map.items()}
|
||||
while True:
|
||||
folder = f"{experiments}{next}"
|
||||
if folder not in inverse_map:
|
||||
map[id] = folder
|
||||
save_map(map)
|
||||
if not os.path.isdir(folder):
|
||||
os.mkdir(folder)
|
||||
return folder
|
||||
else:
|
||||
next += 1
|
||||
|
||||
|
||||
def read_lock(folder):
|
||||
lock_file = os.path.join(folder, "lock.txt")
|
||||
if os.path.exists(lock_file):
|
||||
return open(lock_file).read().strip()
|
||||
return None
|
||||
|
||||
|
||||
def main():
|
||||
devices = find_devices()
|
||||
if len(devices) == 0:
|
||||
print("### Found no Qualcomm Devices using `adb devices`")
|
||||
sys.exit(1)
|
||||
|
||||
screens = find_screens()
|
||||
map = load_map()
|
||||
print("# Found the following Qualcomm Devices using `adb devices`:")
|
||||
for id in find_devices():
|
||||
if id in map:
|
||||
folder = map[id]
|
||||
else:
|
||||
folder = allocate_folder(map, id)
|
||||
lock = read_lock(folder)
|
||||
print(f"Device {id}, mapped to folder {folder}")
|
||||
if id in screens:
|
||||
proc = screens[id]
|
||||
print(f" Screen is running: {proc}.{id}")
|
||||
elif lock:
|
||||
print(f" Locked by: {lock}")
|
||||
else:
|
||||
print(f" Please run: screen -dmS {id} {command} --device {id} --no_quantization " +
|
||||
f"--cleanup_stale_pods 3600 --working {folder}")
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
main()
|
||||
|
|
@ -0,0 +1,9 @@
|
|||
# Setup
|
||||
|
||||
This script contains the session setup used on the machine that is connected
|
||||
to the Qualcomm boards for running N screen sessions that run the loop.sh
|
||||
script for each Qualcomm board.
|
||||
|
||||
If you want to also cleanup stale kubernetes pods, you can add `--cleanup_stale_pods`
|
||||
once you have configured `az login` and `az aks get-credentials --resource-group $resource_group --name $aks_cluster `
|
||||
so that the runner script can call `cleanup_stale_pods.py`.
|
||||
|
|
@ -0,0 +1,66 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import os
|
||||
import sys
|
||||
import glob
|
||||
from shutil import copyfile, rmtree
|
||||
|
||||
|
||||
def cleanup_results(dataset, output_dir):
|
||||
""" cleans up a folder containing Results* folders downloaded from device
|
||||
and renames the output images to match the input image names so that
|
||||
collect_metrics can work on the folder """
|
||||
|
||||
test_size = 0
|
||||
result_dirs = os.listdir(output_dir)
|
||||
for name in result_dirs:
|
||||
if name.startswith('Result_'):
|
||||
test_size += 1
|
||||
|
||||
print(f"Found {test_size} Result_* folders")
|
||||
|
||||
all_seg_files = sorted(glob.glob(os.path.join(dataset, '*_seg.png')))
|
||||
if len(all_seg_files) < test_size:
|
||||
print(f"### not enough *_seg.png files found in {dataset}")
|
||||
sys.exit(1)
|
||||
|
||||
test_files = all_seg_files[len(all_seg_files) - test_size:]
|
||||
|
||||
raw_file_name = 'output.raw'
|
||||
index = 0
|
||||
for name in test_files:
|
||||
name = os.path.basename(name).split('_')[0]
|
||||
result = f"Result_{index}"
|
||||
if result in result_dirs:
|
||||
raw_file = os.path.join(output_dir, result, raw_file_name)
|
||||
if not os.path.isfile(raw_file):
|
||||
raw_file_name = os.listdir(os.path.join(output_dir, result))[0]
|
||||
raw_file = os.path.join(output_dir, result, raw_file_name)
|
||||
output_file = os.path.join(output_dir, name + '.raw')
|
||||
print(f"{raw_file} ===> {output_file}")
|
||||
copyfile(raw_file, output_file)
|
||||
rmtree(os.path.join(output_dir, result))
|
||||
index += 1
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
parser = argparse.ArgumentParser(description='Check the outputs from the device')
|
||||
parser.add_argument('--input', help='Location of the original input images ' +
|
||||
'(defaults to INPUT_DATASET environment variable)')
|
||||
parser.add_argument('--output', '-o', help='Location of the folder containing Result* folders')
|
||||
args = parser.parse_args()
|
||||
dataset = args.input
|
||||
if not dataset:
|
||||
dataset = os.getenv("INPUT_DATASET")
|
||||
if not dataset:
|
||||
print("please provide --input or set your INPUT_DATASET environment vairable")
|
||||
sys.exit(1)
|
||||
|
||||
output = args.output
|
||||
if not os.path.isdir(output):
|
||||
print("--output dir not found")
|
||||
sys.exit(1)
|
||||
|
||||
cleanup_results(dataset, output)
|
||||
print("Done")
|
||||
|
|
@ -0,0 +1,38 @@
|
|||
#!/bin/bash
|
||||
|
||||
|
||||
MODEL_NAME="model"
|
||||
|
||||
if [ "$1" == "--help" ] ; then
|
||||
echo "### Usage: convert_tf.sh [model_name]"
|
||||
echo "Converts the given tensorflow model to .dlc then quantizes it."
|
||||
echo "Default model path is 'model/model.pb'."
|
||||
exit 1
|
||||
fi
|
||||
|
||||
if [ "$1" != "" ]; then
|
||||
MODEL_NAME=$1
|
||||
fi
|
||||
|
||||
if [ ! -f "model/${MODEL_NAME}.pb" ]; then
|
||||
echo "### Model does not exist: model/${MODEL_NAME}.pb"
|
||||
exit 1
|
||||
fi
|
||||
|
||||
mkdir -p ./snpe_models
|
||||
|
||||
# pb 2 dlc
|
||||
snpe-tensorflow-to-dlc \
|
||||
-i "model/${MODEL_NAME}.pb" \
|
||||
-d input_rgb "1,256,256,3" \
|
||||
--out_node "logits_cls" \
|
||||
-o "snpe_models/${MODEL_NAME}.dlc" \
|
||||
--show_unconsumed_nodes
|
||||
#--debug
|
||||
|
||||
# quantize
|
||||
snpe-dlc-quantize \
|
||||
--input_dlc "snpe_models/${MODEL_NAME}.dlc" \
|
||||
--input_list "data/quant/input_list.txt" \
|
||||
--output_dlc "snpe_models/${MODEL_NAME}.quant.dlc" \
|
||||
--use_enhanced_quantizer
|
||||
|
|
@ -0,0 +1,110 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
import cv2
|
||||
import numpy as np
|
||||
import glob
|
||||
import os
|
||||
import sys
|
||||
import tqdm
|
||||
from shutil import rmtree
|
||||
|
||||
|
||||
DEVICE_WORKING_DIR = "/data/local/tmp"
|
||||
TASK = os.path.basename(os.getcwd())
|
||||
|
||||
|
||||
class DataGenerator():
|
||||
def __init__(self, root, img_size, subset='quant', count=1000, transpose=None):
|
||||
self.img_size = img_size
|
||||
self.root = root
|
||||
self.subset = subset
|
||||
self.transpose = transpose
|
||||
all_seg_files = sorted(glob.glob(os.path.join(self.root, '*_seg.png')))
|
||||
if len(all_seg_files) == 0:
|
||||
print("### no *_seg.png files found in {}".format(self.root))
|
||||
sys.exit(1)
|
||||
# use first 10000 images for quantization and last 10000 images for test
|
||||
assert subset in ['quant', 'test']
|
||||
if subset == 'quant':
|
||||
self.seg_files = all_seg_files[0:1000]
|
||||
elif subset == 'test':
|
||||
self.seg_files = all_seg_files[len(all_seg_files) - count:]
|
||||
self.img_files = [s.replace("_seg.png", ".png") for s in self.seg_files]
|
||||
|
||||
def __len__(self):
|
||||
return len(self.img_files)
|
||||
|
||||
def __call__(self):
|
||||
num_imgs = len(self.img_files)
|
||||
assert num_imgs > 0
|
||||
indices = np.arange(num_imgs)
|
||||
for idx in indices:
|
||||
img_file = self.img_files[idx]
|
||||
img = cv2.imread(img_file)[..., ::-1] # BGR to RGB
|
||||
img = cv2.resize(img, self.img_size, interpolation=cv2.INTER_LINEAR)
|
||||
if self.transpose:
|
||||
img = img.transpose(self.transpose)
|
||||
yield os.path.basename(img_file), (img / 255).astype(np.float32)
|
||||
|
||||
|
||||
def create_dataset(src_root, subset, shape, count, trans=None):
|
||||
print(f"Creating {subset} dataset of {count} images with input shape {shape}...")
|
||||
|
||||
image_size = (shape[0], shape[1])
|
||||
device_working_dir = f'{DEVICE_WORKING_DIR}/{TASK}'
|
||||
dst_root = os.path.join(os.getcwd(), 'data', subset)
|
||||
if os.path.isdir(dst_root):
|
||||
rmtree(dst_root)
|
||||
os.makedirs(dst_root)
|
||||
|
||||
data_gen = DataGenerator(src_root, image_size, subset, count, trans)
|
||||
|
||||
file_list = []
|
||||
with tqdm.tqdm(total=len(data_gen)) as pbar:
|
||||
for fname, img in data_gen():
|
||||
filename = os.path.join(dst_root, fname.replace('.png', '.bin'))
|
||||
file_list.append(filename)
|
||||
img.tofile(filename)
|
||||
pbar.update(1)
|
||||
|
||||
with open(os.path.join(dst_root, 'input_list.txt'), 'w') as f:
|
||||
for fname in file_list:
|
||||
f.write(fname)
|
||||
f.write('\n')
|
||||
|
||||
with open(os.path.join(dst_root, 'input_list_for_device.txt'), 'w') as f:
|
||||
for fname in file_list:
|
||||
device_path = device_working_dir + '/data/test/' + os.path.basename(fname)
|
||||
f.write(device_path)
|
||||
f.write('\n')
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
parser = argparse.ArgumentParser(description='Create the quant and test datasets')
|
||||
parser.add_argument('--input', help='Location of the original input images ' +
|
||||
'(default INPUT_DATASET environment variable')
|
||||
parser.add_argument('--count', '-c', type=int, help='Number of images in the test dataset folder ' +
|
||||
'(default 1000)', default=1000)
|
||||
parser.add_argument('--dim', '-d', type=int, help='New dimension for the images ' +
|
||||
'(assumes square dimensions, default 256)', default=256)
|
||||
parser.add_argument('--transpose', '-t', help="Apply image transpose of '(2, 0 1)'", action="store_true")
|
||||
args = parser.parse_args()
|
||||
|
||||
dataset = args.input
|
||||
if not dataset:
|
||||
dataset = os.getenv("INPUT_DATASET")
|
||||
if not dataset:
|
||||
print("please provide --input or set your INPUT_DATASET environment variable")
|
||||
sys.exit(1)
|
||||
|
||||
count = args.count
|
||||
dim = args.dim
|
||||
transpose = args.transpose
|
||||
if transpose:
|
||||
transpose = (2, 0, 1)
|
||||
else:
|
||||
transpose = None
|
||||
|
||||
create_dataset(dataset, 'quant', (dim, dim), count, transpose)
|
||||
create_dataset(dataset, 'test', (dim, dim), count, transpose)
|
||||
|
|
@ -0,0 +1,8 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
|
||||
def get_dlc_metrics(dlc_file):
|
||||
from olive.snpe.tools.dev import get_dlc_info, get_dlc_metrics
|
||||
csv_data = get_dlc_info(dlc_file)
|
||||
info = get_dlc_metrics(dlc_file)
|
||||
return (csv_data, info['macs'], info['parameters'])
|
||||
|
|
@ -0,0 +1,18 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import os
|
||||
from test_snpe import download_results
|
||||
from shutil import rmtree
|
||||
|
||||
SNPE_OUTPUT_DIR = 'snpe_output'
|
||||
|
||||
files = [x for x in os.listdir('data/test') if x.endswith(".bin")]
|
||||
files.sort()
|
||||
|
||||
output_dir = SNPE_OUTPUT_DIR
|
||||
if os.path.isdir(output_dir):
|
||||
rmtree(output_dir)
|
||||
os.makedirs(output_dir)
|
||||
|
||||
print("Found {} input files".format(len(files)))
|
||||
download_results(files, 0, output_dir)
|
||||
|
|
@ -0,0 +1,91 @@
|
|||
## Readme
|
||||
|
||||
This folder contains code for running models using the Qualcomm SNPE Neural Processing SDK,
|
||||
including quantizing those models and running them on the Qualcomm DSP.
|
||||
This folder uses http://github.com/microsoft/olive to do the actual SNPE work.
|
||||
|
||||
1. **Snapdragon 888 Dev Kit** - get one of these [Snapdragon 888 HDK](https://developer.qualcomm.com/hardware/snapdragon-888-hdk) boards.
|
||||
|
||||
1. **Download dataset**. Get the dataset from https://github.com/microsoft/FaceSynthetics.
|
||||
The best way is using `azcopy`. You could put them in a datasets folder,
|
||||
for example: `d:\datasets\FaceSynthetics`. Then set your `INPUT_DATASET` environment
|
||||
variable pointing to this folder.
|
||||
|
||||
1. **Install Android NDK**. You need a working version of `adb` in your PATH.
|
||||
Just download the zip file from [https://developer.android.com/ndk/downloads/](https://developer.android.com/ndk/downloads/)
|
||||
and unzip it then you can set your `ANDROID_NDK_ROOT` environment variable pointing to the folder containing the
|
||||
unzipped bits.
|
||||
|
||||
1. **Check Device USB**. Check you can run `adb shell` to connect to your Snapdragon over USB.
|
||||
You may need to run `sudo usermod -aG plugdev $LOGNAME`.
|
||||
|
||||
1. **Install SNPE SDK on Ubuntu 18.04**.
|
||||
See [SNPE Setup](https://developer.qualcomm.com/sites/default/files/docs/snpe/setup.html).
|
||||
See [Neural Processing SDK Download](https://developer.qualcomm.com/downloads/qualcomm-neural-processing-sdk-ai-v1600?referrer=node/34505).
|
||||
You can skip the Caffe setup, but use the `requirements.txt` pip install list, the one posted in the Qualcomm setup page
|
||||
has conflicting versions. Then set your `SNPE_ROOT` environment variable pointing to the folder containing the unzipped
|
||||
bits. If you plan to use Qualcomm hardware devices then set the `SNPE_ANDROID_ROOT` to the same place as `SNPE_ROOT`.
|
||||
|
||||
1. **Install Archai**. In your Python 3.8 Conda environment run:
|
||||
|
||||
```
|
||||
git clone https://github.com/microsoft/archai.git
|
||||
cd archai
|
||||
pip install -e .[dev]
|
||||
```
|
||||
|
||||
1. **Install required packages including Olive **
|
||||
|
||||
```
|
||||
pushd tasks/face_segmentation/snpe
|
||||
pip install -r requirements.txt
|
||||
```
|
||||
|
||||
1. Let Olive configure SNPE
|
||||
```
|
||||
python -m olive.snpe.configure
|
||||
```
|
||||
|
||||
**If you run into a protobuf inconsistency with Python 3.8 you can workaround
|
||||
it by setting the folloiwng env. variable:**
|
||||
```
|
||||
export PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python
|
||||
```
|
||||
|
||||
1. **Create experiment folder**. The subsequent scripts all assume you are in a folder for running your experiment.
|
||||
```
|
||||
mkdir ~/experiment1
|
||||
cd ~/experiment1
|
||||
```
|
||||
|
||||
In this folder we will build the following files:
|
||||
- data/test - the test image set for the device
|
||||
- data/quant - the image dataset for quantizing the model
|
||||
- snpe_models/model.quant.dlc - the quantized model
|
||||
|
||||
1. **Prepare data**. Run `python create_data.py --help`, this scripts creates data for both
|
||||
quantization and test and puts it in your local experiment folder under `data/test` and
|
||||
`data/quant`. For example:
|
||||
|
||||
```
|
||||
python create_data.py --input ~/datasets/FaceSynthetics --count 1000 --dim 256
|
||||
```
|
||||
|
||||
1. **Convert and quantize model**. You can use `test_snpe.py` to convert a .onnx model to .dlc and
|
||||
quantize it. For example:
|
||||
```
|
||||
python test_snpe.py --quantize --model model.onnx
|
||||
```
|
||||
This can take about 10 minutes depending on the size of your quantization data set and the size of
|
||||
your model.
|
||||
|
||||
1. **Run test images on device**. You can use `test_snpe.py` to test your quantized model on a
|
||||
Qualcomm 888 dev board. You can find the device id using `adb devices`:
|
||||
```
|
||||
python test_snpe.py --device e6dc0375 --images ./data/test --model model.onnx --dlc ./snpe_models/model.quant.dlc
|
||||
```
|
||||
|
||||
6. **Performance benchmark SNPE model**.
|
||||
```
|
||||
python test_snpe.py --device e6dc0375 --benchmark --images ./data/test --model model.onnx --dlc ./snpe_models/model.quant.dlc
|
||||
```
|
||||
|
|
@ -0,0 +1,4 @@
|
|||
conda activate snap
|
||||
pushd $SNPE_ROOT
|
||||
source bin/envsetup.sh -o ~/anaconda3/envs/snap/lib/python3.6/site-packages/onnx
|
||||
popd
|
||||
|
|
@ -0,0 +1,97 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
from onnxruntime import InferenceSession, get_available_providers
|
||||
import os
|
||||
import numpy as np
|
||||
import cv2
|
||||
import sys
|
||||
import tqdm
|
||||
from create_data import DataGenerator
|
||||
|
||||
|
||||
def test_onnx(dataset_dir, model, out_dir, test_size=1000, show=False):
|
||||
os.makedirs(out_dir, exist_ok=True)
|
||||
provider_list = ['CPUExecutionProvider']
|
||||
if 'CUDAExecutionProvider' in get_available_providers():
|
||||
print("using gpu")
|
||||
provider_list = ['CUDAExecutionProvider'] + provider_list
|
||||
sess = InferenceSession(model, providers=provider_list)
|
||||
if len(sess._sess.inputs_meta) > 1:
|
||||
raise Exception("Cannot handle models with more than one input")
|
||||
if len(sess._sess.outputs_meta) > 1:
|
||||
raise Exception("Cannot handle models more than one output")
|
||||
|
||||
input_meta = sess._sess.inputs_meta[0]
|
||||
output_meta = sess._sess.outputs_meta[0]
|
||||
shape = output_meta.shape
|
||||
if len(shape) == 4:
|
||||
shape = shape[1:] # remove match dimension.
|
||||
|
||||
oc, ow, oh = shape
|
||||
if oh < 20:
|
||||
ow, oh, oc = input_meta.shape
|
||||
|
||||
shape = input_meta.shape
|
||||
print(f"input shape: {shape}")
|
||||
print(f"output shape: {shape}")
|
||||
if len(shape) == 4:
|
||||
shape = shape[1:] # remove match dimension.
|
||||
w, h, c = shape
|
||||
transpose = (0, 1, 2)
|
||||
reverse = (0, 1, 2)
|
||||
if shape[0] == 3:
|
||||
# then we need to transpose the input.
|
||||
print("transposing to move RGB channel")
|
||||
transpose = (2, 0, 1)
|
||||
reverse = (1, 2, 0)
|
||||
c, w, h = shape
|
||||
input_name = input_meta.name
|
||||
|
||||
data_gen = DataGenerator(dataset_dir, (w, h), subset='test', count=test_size, transpose=transpose)
|
||||
with tqdm.tqdm(total=len(data_gen)) as pbar:
|
||||
for fname, img in data_gen():
|
||||
inf = sess.run(None, {input_name: img[None, ...]})[0]
|
||||
inf = inf.reshape(inf.shape[1:]) # remove batch dimension
|
||||
inf = inf.transpose(reverse).reshape((ow, oh, -1))
|
||||
basename = os.path.splitext(os.path.basename(fname))[0]
|
||||
filename = os.path.join(out_dir, basename + ".raw")
|
||||
inf.tofile(filename)
|
||||
|
||||
if show:
|
||||
# debug visualize
|
||||
img = img.transpose(reverse)
|
||||
cls_seg = np.argmax(inf, axis=-1)
|
||||
img = (255 * img).astype(np.uint8)
|
||||
norm = cv2.normalize(cls_seg, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8UC1)
|
||||
cls_seg_color = cv2.applyColorMap(norm, cv2.COLORMAP_JET)
|
||||
canvas = np.concatenate([img[..., ::-1], cls_seg_color], axis=1)
|
||||
cv2.imshow('img', canvas)
|
||||
key = cv2.waitKey() & 0xFF
|
||||
if key == 27:
|
||||
break
|
||||
|
||||
pbar.update(1)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
model = os.path.join('model', 'model.onnx')
|
||||
output = os.path.join('onnx_outputs')
|
||||
|
||||
parser = argparse.ArgumentParser(description='Run an ONNX model test on a batch of input images and write ' +
|
||||
'the outputs to a given folder')
|
||||
parser.add_argument('--input', help='Location of the original input images ' +
|
||||
'(default INPUT_DATASET environment variable')
|
||||
parser.add_argument('--model', '-m', help="Name of model to test (e.g. model/model.onnx)", default=model)
|
||||
parser.add_argument('--output', '-o', help="Location to write outputs (default 'onnx_outputs')", default=output)
|
||||
parser.add_argument('--show', '-s', help="Show each inference image", action="store_true")
|
||||
args = parser.parse_args()
|
||||
|
||||
dataset = args.input
|
||||
if not dataset:
|
||||
dataset = os.getenv("INPUT_DATASET")
|
||||
if not dataset:
|
||||
print("please provide --input or set your INPUT_DATASET environment vairable")
|
||||
sys.exit(1)
|
||||
|
||||
test_onnx(dataset, args.model, args.output, show=args.show)
|
||||
|
|
@ -0,0 +1,657 @@
|
|||
# Copyright (c) Microsoft Corporation.
|
||||
# Licensed under the MIT license.
|
||||
import argparse
|
||||
from datetime import datetime
|
||||
from pathlib import Path
|
||||
import csv
|
||||
import os
|
||||
import sys
|
||||
import time
|
||||
import tqdm
|
||||
import json
|
||||
import numpy as np
|
||||
|
||||
SCRIPT_DIR = os.path.dirname(__file__)
|
||||
sys.path += [os.path.join(SCRIPT_DIR, '..', 'util')]
|
||||
from shell import Shell
|
||||
sys.path += [os.path.join(SCRIPT_DIR, '..', 'vision')]
|
||||
from collect_metrics import get_metrics
|
||||
from shutil import rmtree
|
||||
from onnxruntime import InferenceSession
|
||||
|
||||
TASK = os.path.basename(os.getcwd())
|
||||
MODEL = "model"
|
||||
TEST_IMAGES = os.path.join('data', 'test')
|
||||
VERBOSE = False
|
||||
MAX_BATCH_SIZE = 1000
|
||||
DEVICE = None
|
||||
|
||||
# device parameters
|
||||
# the /data mount on the device has 64GB available.
|
||||
DEVICE_WORKING_DIR = "/data/local/tmp"
|
||||
RANDOM_INPUTS = 'random_inputs'
|
||||
RANDOM_INPUT_LIST = 'random_raw_list.txt'
|
||||
SNPE_ROOT = None
|
||||
INPUT_LIST_FILENAME = 'input_list_for_device.txt'
|
||||
snpe_target_arch = None
|
||||
|
||||
|
||||
def set_device(device):
|
||||
global DEVICE
|
||||
DEVICE = device
|
||||
shell = Shell()
|
||||
shell.run(os.getcwd(), adb("root"))
|
||||
|
||||
|
||||
def get_device():
|
||||
global DEVICE
|
||||
if DEVICE:
|
||||
return DEVICE
|
||||
else:
|
||||
raise Exception("Please specify the '--device' to use")
|
||||
|
||||
|
||||
def _get_input_layout(shape):
|
||||
# snpe-onnx-to-dlc supported input layouts are:
|
||||
# NCHW, NHWC, NFC, NCF, NTF, TNF, NF, NC, F, NONTRIVIAL
|
||||
# N = Batch, C = Channels, H = Height, W = Width, F = Feature, T = Time
|
||||
if shape[0] == 3:
|
||||
# then the RGB channel is first, so we are NCHW
|
||||
return 'NCHW'
|
||||
elif shape[-1] == 3:
|
||||
return 'NHWC'
|
||||
else:
|
||||
raise Exception(f"Cannot figure out input layout from shape: {shape}")
|
||||
|
||||
|
||||
def onnx_to_dlc(model, model_dir):
|
||||
sess = InferenceSession(model, providers=['CPUExecutionProvider'])
|
||||
if len(sess._sess.inputs_meta) > 1:
|
||||
raise Exception("Cannot handle models with more than one input")
|
||||
if len(sess._sess.outputs_meta) > 1:
|
||||
raise Exception("Cannot handle models more than one output")
|
||||
|
||||
input_meta = sess._sess.inputs_meta[0]
|
||||
output_meta = sess._sess.outputs_meta[0]
|
||||
|
||||
filename = os.path.basename(model)
|
||||
basename = os.path.splitext(filename)[0]
|
||||
|
||||
print(f"==> Converting model {model} to .dlc...")
|
||||
|
||||
shape = input_meta.shape
|
||||
if len(shape) == 4:
|
||||
shape = shape[1:] # trim off batch dimension
|
||||
layout = _get_input_layout(shape)
|
||||
input_shape = ",".join([str(i) for i in input_meta.shape])
|
||||
output_dlc = f"{model_dir}/{basename}.dlc"
|
||||
# snpe-onnx-to-dlc changes the model input to NHWC.
|
||||
dlc_shape = shape if layout == 'NHWC' else [shape[1], shape[2], shape[0]]
|
||||
|
||||
command = "snpe-onnx-to-dlc " + \
|
||||
f"-i \"{model}\" " + \
|
||||
f"-d {input_meta.name} \"{input_shape}\" " + \
|
||||
f"--input_layout {input_meta.name} {layout} " + \
|
||||
f"--out_node \"{output_meta.name}\" " + \
|
||||
f"-o \"{output_dlc}\" "
|
||||
|
||||
print(command)
|
||||
|
||||
shell = Shell()
|
||||
rc = shell.run(os.getcwd(), command, True)
|
||||
if 'Conversion completed successfully' not in rc:
|
||||
raise Exception(rc)
|
||||
|
||||
# the DLC model undoes the NCHW and results in a .dlc model that takes NHWC input.
|
||||
return [output_dlc, dlc_shape]
|
||||
|
||||
|
||||
def create_snpe_config(model_file, output_dir=None):
|
||||
sess = InferenceSession(model_file, providers=['CPUExecutionProvider'])
|
||||
if len(sess._sess.inputs_meta) > 1:
|
||||
raise Exception("Cannot handle models with more than one input")
|
||||
if len(sess._sess.outputs_meta) > 1:
|
||||
raise Exception("Cannot handle models more than one output")
|
||||
|
||||
input_meta = sess._sess.inputs_meta[0]
|
||||
output_meta = sess._sess.outputs_meta[0]
|
||||
|
||||
shape = input_meta.shape
|
||||
if len(shape) == 4:
|
||||
shape = shape[1:] # trim off batch dimension
|
||||
layout = _get_input_layout(shape)
|
||||
# snpe-onnx-to-dlc changes the model input to NHWC
|
||||
output_shape = output_meta.shape[1:] # stip off batch dimension
|
||||
output_shape = output_shape if layout == 'NHWC' else [output_shape[1], output_shape[2], output_shape[0]]
|
||||
|
||||
config = {
|
||||
"io_config": {
|
||||
"input_names": [input_meta.name],
|
||||
"input_shapes": [input_meta.shape],
|
||||
"output_names": [output_meta.name],
|
||||
"output_shapes": [output_shape]
|
||||
},
|
||||
"convert_options": {
|
||||
"input_layouts": [layout]
|
||||
},
|
||||
"quantize_options": {
|
||||
"use_enhanced_quantizer": True
|
||||
}
|
||||
}
|
||||
|
||||
if output_dir is not None:
|
||||
config_file = os.path.join(output_dir, 'snpe_config.json')
|
||||
with open(config_file, 'w', encoding='utf-8') as f:
|
||||
json.dump(config, f, indent=2)
|
||||
|
||||
return config
|
||||
|
||||
|
||||
def convert_onnx_to_dlc(onnx_model, snpe_output_file):
|
||||
from olive.passes import SNPEConversion
|
||||
config = create_snpe_config(onnx_model.model_path, os.path.dirname(snpe_output_file))
|
||||
convert_options = config['io_config']
|
||||
convert_options["input_layouts"] = config['convert_options']["input_layouts"]
|
||||
|
||||
snpe_conversion = SNPEConversion(convert_options, disable_search=True,)
|
||||
snpe_model = snpe_conversion.run(onnx_model, snpe_output_file)
|
||||
|
||||
assert Path(snpe_model.model_path).is_file()
|
||||
|
||||
dlc_model_path = snpe_model.model_path
|
||||
input_shape = snpe_model.io_config["input_shapes"][0]
|
||||
output_shape = snpe_model.io_config["output_shapes"][0]
|
||||
|
||||
return dlc_model_path, input_shape, output_shape
|
||||
|
||||
|
||||
def convert_model(model, model_dir):
|
||||
""" Converts the given model from .onnx form to .dlc and returns
|
||||
the path to the .dlc file, the input shape, and an optional error message if something went wrong."""
|
||||
if not os.path.isfile(model):
|
||||
print(f"model to convert not found in {model}")
|
||||
sys.exit(1)
|
||||
|
||||
# make sure we run the downloaded model and not some old model
|
||||
# left over from a previous run.
|
||||
if os.path.isdir(model_dir):
|
||||
rmtree(model_dir)
|
||||
os.makedirs(model_dir)
|
||||
|
||||
from olive.model import ONNXModel
|
||||
|
||||
filename = os.path.basename(model)
|
||||
basename, ext = os.path.splitext(filename)
|
||||
|
||||
if ext != ".onnx":
|
||||
print("convert_model was not provided with a valid .onnx model")
|
||||
sys.exit(1)
|
||||
|
||||
try:
|
||||
onnx_model = ONNXModel(model, basename)
|
||||
snpe_output_file = f"{model_dir}/model.dlc"
|
||||
model, input_shape, output_shape = convert_onnx_to_dlc(onnx_model, snpe_output_file)
|
||||
return [model, input_shape[1:], output_shape[1:], None]
|
||||
except Exception as ex:
|
||||
return [None, None, str(ex)]
|
||||
|
||||
|
||||
def create_quant_dataloader(data_dir):
|
||||
from olive.snpe import SNPEProcessedDataLoader
|
||||
return SNPEProcessedDataLoader(data_dir, input_list_file="input_list.txt")
|
||||
|
||||
|
||||
def quantize_model(model, onnx_model, snpe_model_dir):
|
||||
""" Returns tuple containing the quantized model file and optional error message """
|
||||
from olive.model import SNPEModel
|
||||
from olive.passes import SNPEQuantization
|
||||
|
||||
snpe_model_dir = os.path.realpath(snpe_model_dir) # Olive requires the full path
|
||||
basename = os.path.splitext(os.path.basename(model))[0]
|
||||
output_model = os.path.join(snpe_model_dir, f"{basename}.quant.dlc")
|
||||
full_dlc_path = os.path.join(snpe_model_dir, f"{basename}.dlc")
|
||||
|
||||
data_dir = os.path.join('data', 'quant')
|
||||
|
||||
config = create_snpe_config(onnx_model, snpe_model_dir)
|
||||
if config is None:
|
||||
return [None, "### SNPE Configuration file could not be loaded"]
|
||||
|
||||
snpe_model = SNPEModel(model_path=full_dlc_path, name=basename, **config["io_config"])
|
||||
|
||||
quant_options = {
|
||||
"use_enhanced_quantizer": True,
|
||||
"data_dir": data_dir,
|
||||
"dataloader_func": create_quant_dataloader
|
||||
}
|
||||
|
||||
# tbd: what is "enable_htp": True
|
||||
snpe_quantization = SNPEQuantization(quant_options, disable_search=True)
|
||||
|
||||
try:
|
||||
snpe_quantized_model = snpe_quantization.run(snpe_model, output_model)
|
||||
except Exception as ex:
|
||||
error = None
|
||||
for line in str(ex):
|
||||
if '[ERROR]' in line:
|
||||
error = line
|
||||
if not error:
|
||||
error = str(ex)
|
||||
return [None, error]
|
||||
|
||||
if not Path(snpe_quantized_model.model_path).is_file():
|
||||
return [None, "### Model conversion failed"]
|
||||
|
||||
return [snpe_quantized_model.model_path, None]
|
||||
|
||||
|
||||
def adb(cmd):
|
||||
return f"adb -s {get_device()} {cmd}"
|
||||
|
||||
|
||||
def download_results(input_images, start, output_dir):
|
||||
shell = Shell()
|
||||
result = shell.run(os.getcwd(), adb(f"shell ls {DEVICE_WORKING_DIR}/{TASK}/{MODEL}/output"), False)
|
||||
|
||||
if not os.path.isdir(output_dir):
|
||||
os.makedirs(output_dir)
|
||||
|
||||
# Now download results from output folder full of 'Result_nnn' folders, copying the file to
|
||||
# down to match with the input image name, so the input image name might be 000000.bin, and
|
||||
# the downloaded file might be named 'Result_0/logits_0:1.raw' and this will become
|
||||
# the downloaded file named `000000.raw` in the 'snpe_output' folder. This makes it easier
|
||||
# to match the the output with the input later when we are analyzing the results.
|
||||
output_filename = None
|
||||
index = start
|
||||
for name in input_images:
|
||||
line = f"Result_{index}"
|
||||
if line in result:
|
||||
raw_file = os.path.splitext(name)[0] + '.raw'
|
||||
index += 1
|
||||
if not output_filename:
|
||||
cmd = adb(f"shell ls {DEVICE_WORKING_DIR}/{TASK}/{MODEL}/output/{line}/")
|
||||
device_result = shell.run(os.getcwd(), cmd, False)
|
||||
output_filename = device_result.strip()
|
||||
print(f"{line}/{output_filename} ===> {raw_file}")
|
||||
device_result = f"{DEVICE_WORKING_DIR}/{TASK}/{MODEL}/output/{line}/{output_filename}"
|
||||
rc = shell.run(output_dir, adb(f"pull {device_result} {raw_file}"), False)
|
||||
if "error:" in rc:
|
||||
print("### error downloading results: " + rc)
|
||||
sys.exit(1)
|
||||
|
||||
|
||||
def get_target_arch(snpe_root):
|
||||
global SNPE_ROOT
|
||||
SNPE_ROOT = snpe_root
|
||||
if not os.path.isdir(snpe_root):
|
||||
print("SNPE_ROOT folder {} not found".format(snpe_root))
|
||||
sys.exit(1)
|
||||
for name in os.listdir(os.path.join(snpe_root, 'lib')):
|
||||
if name.startswith('aarch64-android'):
|
||||
print(f"Using SNPE_TARGET_ARCH {name}")
|
||||
return name
|
||||
|
||||
print("SNPE_ROOT folder {} missing aarch64-android-*".format(snpe_root))
|
||||
sys.exit(1)
|
||||
|
||||
|
||||
def clear_images():
|
||||
shell = Shell()
|
||||
target = f"{DEVICE_WORKING_DIR}/{TASK}/data/test"
|
||||
shell.run(os.getcwd(), adb(f"shell \"rm -rf {target}\""))
|
||||
|
||||
|
||||
def copy_file(shell, folder, filename, target):
|
||||
rc = shell.run(folder, adb(f"push {filename} {target}"), False)
|
||||
if "error:" in rc:
|
||||
print(f"### Error copying file {filename}: {rc}")
|
||||
sys.exit(1)
|
||||
|
||||
|
||||
def setup_images(folder, batch):
|
||||
shell = Shell()
|
||||
target = f"{DEVICE_WORKING_DIR}/{TASK}/data/test"
|
||||
shell.run(os.getcwd(), adb(f"shell \"mkdir -p {target}\""))
|
||||
# since we are doing a batch we have to generate the input_list_for_device.txt file.
|
||||
list_file = INPUT_LIST_FILENAME
|
||||
with open(list_file, 'w', encoding='utf-8') as f:
|
||||
for line in batch:
|
||||
f.write(f"{target}/{line}\n")
|
||||
copy_file(shell, os.getcwd(), list_file, target)
|
||||
|
||||
# pushing the whole dir often fails for some reason, so we push individual files with a retry loop
|
||||
with tqdm.tqdm(total=len(batch)) as pbar:
|
||||
for file in batch:
|
||||
pbar.update(1)
|
||||
retries = 5
|
||||
while retries > 0:
|
||||
try:
|
||||
copy_file(shell, folder, file, target)
|
||||
break
|
||||
except Exception as e:
|
||||
retries -= 1
|
||||
print(f"Error {e}, retrying in 1 second ...")
|
||||
time.sleep(1)
|
||||
if retries == 0:
|
||||
raise Exception(f"Cannot copy file {file} to {target}")
|
||||
|
||||
|
||||
def get_setup():
|
||||
global snpe_target_arch
|
||||
if not snpe_target_arch:
|
||||
print("snpe_target_arch is not set")
|
||||
sys.exit(1)
|
||||
|
||||
lib_path = f"{DEVICE_WORKING_DIR}/dsp/lib;/system/lib/rfsa/adsp;/system/vendor/lib/rfsa/adsp;/dsp"
|
||||
setup = f"export SNPE_TARGET_ARCH={snpe_target_arch} && " + \
|
||||
f"export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:{DEVICE_WORKING_DIR}/{snpe_target_arch}/lib && " + \
|
||||
f"export PATH=$PATH:{DEVICE_WORKING_DIR}/{snpe_target_arch}/bin && " + \
|
||||
f"export ADSP_LIBRARY_PATH='{lib_path}' && " + \
|
||||
f"cd {DEVICE_WORKING_DIR}/{TASK}/{MODEL}"
|
||||
|
||||
print("Using environment:")
|
||||
print(setup)
|
||||
return setup
|
||||
|
||||
|
||||
def upload_first_image(dataset):
|
||||
target = f"{DEVICE_WORKING_DIR}/{TASK}/data/test"
|
||||
shell = Shell()
|
||||
shell.run(os.getcwd(), adb(f"shell \"mkdir -p {target}\""))
|
||||
files = os.listdir(dataset)
|
||||
files.sort()
|
||||
filename = files[0]
|
||||
print(f"Uploading image {filename}...")
|
||||
shell.run(dataset, adb(f"push {filename} {target}"), VERBOSE)
|
||||
return os.path.join(target, filename)
|
||||
|
||||
|
||||
def generate_random_inputs(count, shape):
|
||||
input_list_path = os.path.join(RANDOM_INPUTS, RANDOM_INPUT_LIST)
|
||||
meta = os.path.join(RANDOM_INPUTS, 'meta.json')
|
||||
if os.path.isfile(meta):
|
||||
with open(meta, 'r', encoding='utf-8') as f:
|
||||
info = json.load(f)
|
||||
if info['count'] == count and info['shape'] == str(shape):
|
||||
# then we can reuse these random inputs.
|
||||
return input_list_path
|
||||
if os.path.isdir(RANDOM_INPUTS):
|
||||
rmtree(RANDOM_INPUTS)
|
||||
os.makedirs(RANDOM_INPUTS)
|
||||
with open(meta, 'w', encoding='utf-8') as f:
|
||||
info = {'count': count, 'shape': str(shape)}
|
||||
json.dump(info, f, indent=2)
|
||||
random_data_dim = np.product(shape)
|
||||
with open(input_list_path, 'w', encoding='utf-8') as input_list:
|
||||
for i in range(count):
|
||||
rand_raw = np.random.uniform(-1.0, +1.0, random_data_dim).astype(np.float32)
|
||||
raw_filepath = os.path.join(RANDOM_INPUTS, 'random_input_' + str(i) + '.raw')
|
||||
input_list.write(raw_filepath + "\n")
|
||||
with open(raw_filepath, 'wb') as fid:
|
||||
fid.write(rand_raw)
|
||||
return input_list_path
|
||||
|
||||
|
||||
def get_memlog_usage(benchmark_dir):
|
||||
# find the memory usage
|
||||
# Uptime: 1738234338 Realtime: 1738234338
|
||||
for i in range(1, 6):
|
||||
memlog = os.path.join(benchmark_dir, 'results', 'latest_results', 'mem', 'DSP_ub_tf8', f'Run{i}', 'MemLog.txt')
|
||||
if os.path.isfile(memlog):
|
||||
try:
|
||||
for line in open(memlog, 'r', encoding='utf-8').readlines():
|
||||
if 'Realtime:' in line:
|
||||
parts = line.strip().split(' ')
|
||||
try:
|
||||
mem = int(parts[-1])
|
||||
if mem != 0:
|
||||
return [mem, memlog]
|
||||
except:
|
||||
pass
|
||||
except:
|
||||
pass
|
||||
return [0, '']
|
||||
|
||||
|
||||
def read_total_inference_avg(csvfile):
|
||||
col_index = 11
|
||||
with open(csvfile, 'r', encoding='utf-8') as file:
|
||||
for data in csv.reader(file):
|
||||
for i in range(len(data)):
|
||||
col = data[i]
|
||||
if col.startswith('DSP_ub_tf8_timing'):
|
||||
col_index = i
|
||||
break
|
||||
if 'Total Inference Time' in data:
|
||||
return int(data[col_index])
|
||||
return 0
|
||||
|
||||
|
||||
def run_throughput(model, duration):
|
||||
if not model:
|
||||
print("### --run needs the --model parameter")
|
||||
sys.exit(1)
|
||||
shell = Shell()
|
||||
|
||||
use_dsp = "--use_dsp" if 'quant' in model else ''
|
||||
setup = get_setup()
|
||||
dataset = os.path.join('data', 'test')
|
||||
filename = upload_first_image(dataset)
|
||||
|
||||
print(f"Running throughput test for {duration} seconds...")
|
||||
rc = shell.run(
|
||||
os.getcwd(),
|
||||
adb(f"shell \"{setup} &&" +
|
||||
f"snpe-throughput-net-run --container ./{model} {use_dsp} --duration {duration} " +
|
||||
"--iterations 1 --perf_profile high_performance " +
|
||||
f"--input_raw {filename} \""), VERBOSE)
|
||||
lines = rc.split('\n')
|
||||
for out in lines:
|
||||
if "Total throughput:" in out:
|
||||
print(out)
|
||||
|
||||
|
||||
def compute_results(shape, num_classes, output_folder):
|
||||
if not os.path.isdir(output_folder):
|
||||
print("Folder not found: '{output_folder}'")
|
||||
return
|
||||
dataset = os.getenv("INPUT_DATASET")
|
||||
if not os.path.isdir(dataset):
|
||||
print("Please set your INPUT_DATASET environment variable")
|
||||
return
|
||||
|
||||
return get_metrics(shape, False, dataset, output_folder, num_classes)
|
||||
|
||||
|
||||
def run_batches(onnx_model, dlc_model, images_dir, workspace_dir):
|
||||
|
||||
from olive.snpe import (
|
||||
SNPESessionOptions,
|
||||
SNPEInferenceSession,
|
||||
SNPEProcessedDataLoader
|
||||
)
|
||||
|
||||
input_dir = os.path.realpath(images_dir)
|
||||
snpe_model_dir = os.path.dirname(dlc_model)
|
||||
|
||||
output_dir = os.path.join(workspace_dir, 'snpe-output')
|
||||
if os.path.isdir(output_dir):
|
||||
rmtree(output_dir)
|
||||
|
||||
full_dlc_path = os.path.realpath(dlc_model)
|
||||
basename = os.path.splitext(os.path.basename(dlc_model))[0]
|
||||
|
||||
options = SNPESessionOptions(
|
||||
android_target=get_device(),
|
||||
device="dsp" if 'quant' in basename else "cpu",
|
||||
workspace=workspace_dir,
|
||||
accumulate_outputs=True
|
||||
)
|
||||
|
||||
config = create_snpe_config(onnx_model, snpe_model_dir)
|
||||
if config is None:
|
||||
return [None, "### SNPE Configuration file could not be loaded"]
|
||||
|
||||
io_config = config["io_config"]
|
||||
|
||||
# More than 1000 test images can fill up the device and then we run out of memory.
|
||||
# So we run the inference session in batches here.
|
||||
data_loader = SNPEProcessedDataLoader(input_dir, input_list_file='input_list.txt', batch_size=100)
|
||||
|
||||
output_folder = ''
|
||||
latencies = []
|
||||
for i in range(data_loader.num_batches):
|
||||
print(f"Running SNPE inference batch {i} of {data_loader.num_batches}")
|
||||
batch_dir, batch_input_list, _ = data_loader.get_batch(i)
|
||||
session = SNPEInferenceSession(full_dlc_path, io_config, options)
|
||||
results = session.net_run(batch_input_list, batch_dir)
|
||||
output_folder = results['output_dir']
|
||||
latencies += [results['latencies']]
|
||||
|
||||
return output_folder, latencies
|
||||
|
||||
|
||||
def run_benchmark(onnx_model, dlc_model, images_dir, duration, workspace_dir):
|
||||
|
||||
from olive.snpe import (
|
||||
SNPESessionOptions,
|
||||
SNPEInferenceSession,
|
||||
SNPEProcessedDataLoader
|
||||
)
|
||||
|
||||
input_dir = os.path.realpath(images_dir)
|
||||
_ = os.path.join(input_dir, 'input_list.txt')
|
||||
snpe_model_dir = os.path.dirname(dlc_model)
|
||||
|
||||
output_dir = os.path.join(workspace_dir, 'snpe-output')
|
||||
if os.path.isdir(output_dir):
|
||||
rmtree(output_dir)
|
||||
|
||||
full_dlc_path = os.path.realpath(dlc_model)
|
||||
basename = os.path.splitext(os.path.basename(dlc_model))[0]
|
||||
|
||||
# This mirrors what the snpe_bench.py script is doing.
|
||||
options = SNPESessionOptions(
|
||||
android_target=get_device(),
|
||||
device="dsp" if 'quant' in basename else "cpu",
|
||||
extra_args="--perf_profile high_performance --profiling_level basic",
|
||||
workspace=workspace_dir,
|
||||
accumulate_outputs=True
|
||||
)
|
||||
|
||||
config = create_snpe_config(onnx_model, snpe_model_dir)
|
||||
if config is None:
|
||||
return [None, "### SNPE Configuration file could not be loaded"]
|
||||
|
||||
data_loader = SNPEProcessedDataLoader(images_dir, input_list_file='input_list.txt', batch_size=50)
|
||||
io_config = config["io_config"]
|
||||
output_folder = ''
|
||||
latencies = []
|
||||
|
||||
print("Running SNPE inference benchmark")
|
||||
batch_dir, batch_input_list, _ = data_loader.get_batch(0)
|
||||
session = SNPEInferenceSession(full_dlc_path, io_config, options)
|
||||
results = session.net_run(batch_input_list, batch_dir)
|
||||
output_folder = results['output_dir']
|
||||
latencies += [results['latencies']]
|
||||
|
||||
return (output_folder, latencies)
|
||||
|
||||
|
||||
def parse_command_line():
|
||||
parser = argparse.ArgumentParser(description='Run a model on the QUALCOMM DSP using adb and SNPE SDK to quantize ' +
|
||||
'the model')
|
||||
parser.add_argument('--device', '-d', help='The Android device id (as returned by adb devices)', default=None)
|
||||
parser.add_argument('--images', '-i', help='Location of local test image dataset (created with create_data.py)')
|
||||
parser.add_argument('--model', '-m', help='The path to the ONNX model to test')
|
||||
parser.add_argument('--dlc', help='The specific .dlc model to test, if not provided it will be converted from ' +
|
||||
'--model and stored in an snpe_models folder')
|
||||
parser.add_argument('--quantize', '-q', help='Quantize the given onnx or dlc model', action="store_true")
|
||||
parser.add_argument('--benchmark', '-b', help='Run a benchmark on the given model', action="store_true")
|
||||
parser.add_argument('--throughput', '-t', help='Run performance test of the given model', action="store_true")
|
||||
parser.add_argument('--duration', type=int, help='Duration of throughput and benchmark tests (default 10 seconds)',
|
||||
default=10)
|
||||
parser.add_argument('--verbose', '-v', help='Show all output (default false)', action="store_true")
|
||||
args = parser.parse_args()
|
||||
|
||||
if not args.model:
|
||||
print("Please provide an onnx model as input")
|
||||
return None
|
||||
|
||||
ndk = os.getenv("ANDROID_NDK_ROOT")
|
||||
if not ndk:
|
||||
print("you must have a ANDROID_NDK_ROOT installed, see the readme.md")
|
||||
return None
|
||||
args.ndk = ndk
|
||||
|
||||
snpe = os.getenv("SNPE_ANDROID_ROOT")
|
||||
if not snpe:
|
||||
print("please set your SNPE_ANDROID_ROOT environment variable, see readme.md")
|
||||
return None
|
||||
|
||||
snpe = os.getenv("SNPE_ROOT")
|
||||
if not snpe:
|
||||
print("please set your SNPE_ROOT environment variable, see readme.md")
|
||||
return None
|
||||
args.snpe = snpe
|
||||
|
||||
return args
|
||||
|
||||
|
||||
def main():
|
||||
global VERBOSE
|
||||
|
||||
args = parse_command_line()
|
||||
if args is None:
|
||||
return 1
|
||||
|
||||
VERBOSE = args.verbose
|
||||
if args.device:
|
||||
set_device(args.device)
|
||||
|
||||
model = args.model
|
||||
model_dir = "snpe_models"
|
||||
|
||||
if args.dlc:
|
||||
dlc_model = args.dlc
|
||||
else:
|
||||
dlc_model, shape, output_shape, error = convert_model(args.model, model_dir)
|
||||
if error:
|
||||
print(error)
|
||||
return 1
|
||||
|
||||
config = create_snpe_config(args.model, '.')
|
||||
|
||||
if args.quantize:
|
||||
quantized_model, error = quantize_model(model, model, model_dir)
|
||||
if error is not None:
|
||||
print(error)
|
||||
return 1
|
||||
|
||||
if args.throughput:
|
||||
run_throughput(model, args.duration)
|
||||
return 0
|
||||
|
||||
if args.benchmark:
|
||||
start = datetime.now()
|
||||
image_path = os.path.realpath(args.images)
|
||||
output_folder, latencies = run_benchmark(model, dlc_model, image_path, args.duration, '.')
|
||||
end = datetime.now()
|
||||
print(f"benchmark completed in {end-start} seconds, results in {output_folder}")
|
||||
for m in latencies:
|
||||
print(f"total_inference_time={m['total_inference_time']}")
|
||||
return 0
|
||||
|
||||
if args.images:
|
||||
start = datetime.now()
|
||||
output_folder, latencies = run_batches(model, dlc_model, args.images, '.')
|
||||
end = datetime.now()
|
||||
print(f"batch completed in {end-start} seconds, results in {output_folder}")
|
||||
for m in latencies:
|
||||
print(f"total_inference_time={m['total_inference_time']}")
|
||||
output_shape = config['io_config']['output_shapes'][0]
|
||||
compute_results(output_shape, output_folder)
|
||||
|
||||
|
||||
if __name__ == '__main__':
|
||||
sys.exit(main())
|
||||
Некоторые файлы не были показаны из-за слишком большого количества измененных файлов Показать больше
Загрузка…
Ссылка в новой задаче