MobileNet

这是 Google 的 MobileNets：用于移动视觉应用的高效卷积神经网络 的 TensorFlow 实现。

官方实现可在 tensorflow/models 中找到。

目标检测的官方实现现已发布，详情请参见 tensorflow/models/object_detection。

新闻

YellowFin 优化器已被集成，但我目前没有 GPU 资源来使用它在 ImageNet 上进行训练。诚邀合作训练 ~_~

官方实现 点击此处

基础模块

在 ImageNet-2012 验证集上的准确率

模型	宽度乘数	预处理	Top-1 准确率	Top-5 准确率
MobileNet	1.0	与 Inception 相同	66.51%	87.09%

下载预训练权重：OneDrive, BaiduYun

损失

时间基准测试

环境：Ubuntu 16.04 LTS，Xeon E3-1231 v3，4 核 @ 3.40GHz，GTX1060。

TF 1.0.1（原生 pip 安装），TF 1.1.0（从源码编译，优化标志为 '-mavx2'）

设备	前向传播	前向-反向传播	指令集	量化	BN 融合	备注
CPU	52ms	503ms	-	-	-	TF 1.0.1
CPU	44ms	177ms	-	-	开启	TF 1.0.1
CPU	31ms	-	-	8位	-	TF 1.0.1
CPU	26ms	75ms	AVX2	-	-	TF 1.1.0
CPU	128ms	-	AVX2	8位	-	TF 1.1.0
CPU	19ms	89ms	AVX2	-	开启	TF 1.1.0
GPU	3ms	16ms	-	-	-	TF 1.0.1，CUDA8.0，CUDNN5.1
GPU	3ms	15ms	-	-	开启	TF 1.0.1，CUDA8.0，CUDNN5.1

图像尺寸：(224, 224, 3)，批量大小：1

使用方法

在 ImageNet 上训练

1. 准备 ImageNet 数据。请参考 Google 的 Inception 训练教程。

2. 根据您的环境修改 './script/train_mobilenet_on_imagenet.sh'。

bash ./script/train_mobilenet_on_imagenet.sh

基准测试速度

python ./scripts/time_benchmark.py

训练 MobileNet 目标检测器（调试中）

1. 准备 KITTI 数据。

下载 KITTI 数据后，需要将其划分为训练集和验证集。

cd /path/to/kitti_root
mkdir ImageSets
cd ./ImageSets
ls ../training/image_2/ | grep ".png" | sed s/.png// > trainval.txt
python ./tools/kitti_random_split_train_val.py

此时 kitti_root 文件夹应如下所示：

kitti_root/
                  |->training/
                  |     |-> image_2/00****.png
                  |     L-> label_2/00****.txt
                  |->testing/
                  |     L-> image_2/00****.png
                  L->ImageSets/
                        |-> trainval.txt
                        |-> train.txt
                        L-> val.txt

然后将其转换为 tfrecord 格式。

python ./tools/tf_convert_data.py

2. 根据您的环境修改 './script/train_mobilenet_on_kitti.sh'。

bash ./script/train_mobilenetdet_on_kitti.sh

本项目的代码主要基于 SqueezeDet 和 SSD-Tensorflow。 如果您发现任何问题，欢迎反馈。

故障排除

1. 关于 MobileNet 模型大小

根据论文，MobileNet 有 330 万个参数，这一数量不随输入分辨率变化。这意味着由于全连接层的存在，最终模型的参数数量应超过 330 万。使用 RMSprop 训练策略时，检查点文件的大小几乎是模型大小的三倍，因为 RMSprop 使用了一些辅助参数。您可以使用 inspect_checkpoint.py 来确认这一点。

2. Slim 多 GPU 性能问题

#1390 #1428

待办事项

• 在 ImageNet 上训练
• 添加宽度乘数超参数
• 报告训练结果
• 集成到目标检测任务中（正在进行中）

参考文献

MobileNets：用于移动视觉应用的高效卷积神经网络

SSD-Tensorflow

SqueezeDet

MobileNet 快速上手指南

MobileNet 是 Google 提出的一种专为移动和嵌入式设备设计的高效卷积神经网络。本指南基于 TensorFlow 实现，帮助开发者快速在 ImageNet 或 KITTI 数据集上训练和测试模型。

环境准备

系统要求

• 操作系统: Ubuntu 16.04 LTS (推荐) 或其他 Linux 发行版
• 硬件:
  • CPU: 支持 AVX2 指令集（如 Xeon E3 系列）可显著提升速度
  • GPU: NVIDIA GTX 1060 或更高（可选，用于加速训练）
• 软件依赖:
  • Python 2.7 或 3.x
  • TensorFlow 1.0.1 或 1.1.0+
    • CPU 版本：pip install tensorflow
    • GPU 版本：需安装 CUDA 8.0 和 cuDNN 5.1+，然后 pip install tensorflow-gpu
  • 其他库：确保安装了 slim 相关依赖（通常包含在 tensorflow/models 研究中）

数据准备

• ImageNet: 参考 Google Inception 教程 预处理数据。
• KITTI (目标检测): 下载数据集后，需按以下结构整理并转换为 TFRecord：

  cd /path/to/kitti_root
  mkdir ImageSets
  cd ./ImageSets
  ls ../training/image_2/ | grep ".png" | sed s/.png// > trainval.txt
  python ./tools/kitti_random_split_train_val.py
  # 转换数据
  python ./tools/tf_convert_data.py
  

安装步骤

1. 克隆仓库

   git clone https://github.com/Zehaos/MobileNet.git
   cd MobileNet
   

2. 下载预训练权重 (可选) 若需直接使用预训练模型，可从以下国内镜像源下载：

   • 百度网盘: 点击下载
   • OneDrive: 点击下载

3. 配置脚本 根据本地环境修改训练脚本中的路径和参数：

   • ImageNet 训练：编辑 ./script/train_mobilenet_on_imagenet.sh
   • KITTI 检测训练：编辑 ./script/train_mobilenetdet_on_kitti.sh

基本使用

1. 在 ImageNet 上训练

执行以下命令开始训练（请确保已准备好 ImageNet 数据并修改了脚本）：

bash ./script/train_mobilenet_on_imagenet.sh

2. 运行速度基准测试

测试模型在不同硬件（CPU/GPU）及优化选项（如量化、融合 BN）下的推理速度：

python ./scripts/time_benchmark.py

3. 训练 MobileNet 目标检测器 (调试模式)

基于 KITTI 数据集训练检测模型：

bash ./script/train_mobilenetdet_on_kitti.sh

提示: 本项目代码主要基于 SqueezeDet 和 SSD-Tensorflow 架构。如遇问题，建议检查 TensorFlow 版本兼容性（推荐 TF 1.1.0 编译版以开启 AVX2 优化）。