CascadeRCNN-DCN模型-推理指导
概述
卷积神经网络 （CNN） 由于其构建模块中的固定几何结构，本质上仅限于对几何变换进行建模。在这项工作中，我们引入了两个新模块来增强CNN的转换建模能力，即可变形卷积和可变形RoI池化。两者都基于这样的想法：使用额外的偏移来增加模块中的空间采样位置，并从目标任务中学习偏移，而无需额外的监督。新模块可以很容易地取代现有CNN中的普通对应模块，并且可以通过标准的反向传播轻松进行端到端训练，从而产生可变形的卷积网络。大量的实验验证了我们的方法在对象检测和语义分割等复杂视觉任务上的有效性。
-
参考实现：
url=https://github.com/open-mmlab/mmdetection commit_id=a21eb25535f31634cef332b09fc27d28956fb24b code_path=built-in/cv/CascadeRCNN-DCN
输入输出数据
-
输入数据
batchsize当前只支持1， height x width规格为1216 x 1216 或者640 x 640
输入数据 数据类型 大小 数据排布格式 input RGB_FP32 batchsize x 3 x height x width NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 boxes FLOAT32 100 x 5 ND labels INT64 100 ND
推理环境准备
-
该模型需要以下插件与驱动
表 1 版本配套表
配套 版本 环境准备指导 固件与驱动 24.1.rc3 Pytorch框架推理环境准备 CANN 8.3.RC1 - Python 3.8.20 - Pytorch 1.8.1 -
快速上手
获取源码
-
获取本仓源码
git clone https://gitcode.com/ascend/ModelZoo-PyTorch.git cd ModelZoo-PyTorch/ACL_PyTorch/built-in/cv/CascadeRCNN-DCN -
安装依赖。
pip install -r requirements.txt -
获取mmdetection源码。
- 安装开源仓
git clone https://github.com/open-mmlab/mmdetection cd mmdetection git reset --hard a21eb25535f31634cef332b09fc27d28956fb24b pip install -v -e .- 修改模型
patch -p1 < ../cascadercnndcn.diff cd .. -
因DeformConv没有在cpu上执行，修改deform_conv.py文件
# 查看mmcv安装路径 pip show mmcv-full | grep Location # 应用补丁 patch -p 1 /path/to/site-packages/mmcv/ops/deform_conv.py deform.patch
准备数据集
-
获取原始数据集。 本模型已在coco 2017数据集上验证过精度。推理数据集采用coco_val_2017，请用户自行获取coco_val_2017数据集。将instances_val2017.json文件和val2017文件夹按照如下目录结构上传并解压数据集到服务器任意目录。 最终，目录结构如下：
├── CascadeRCNN-DCN ├── cascadercnndcn_postprocess.py ├── cascadercnndcn_preprocess.py ├── cascadercnndcn.diff ├── coco_eval.py ├── deform.patch ├── get_info.py ├── README.md ├── requirements.txt ├── txt_to_json.py ├── coco ├── val2017 ├── annotations ├──instances_val2017.json -
数据预处理，将原始数据集转换为模型输入的数据。
执行cascadercnndcn_preprocess.py脚本，完成预处理。
python cascadercnndcn_preprocess.py --image_folder_path ./coco/val2017 --bin_folder_path ./val2017_bin --net_input_width 640 --net_input_height 640- 参数说明：
- --image_folder_path：数据集路径。
- --bin_folder_path：预处理后的数据文件的相对路径。
- --net_input_width：预处理后的图片宽，缺省时为1216
- --net_input_height：与处理后的图片高，缺省时为1216
运行成功后，会在bin_folder_path下生成二进制文件。
- 参数说明：
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
-
获取权重文件，放在当前目录下。
-
导出onnx文件。
-
使用mmdetection/tools/pytorch2onnx.py导出onnx文件。
python mmdetection/tools/pytorch2onnx.py\ mmdetection/configs/dcn/cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco.py\ ./cascade_rcnn_r50_fpn_dconv_c3-c5_1x_coco_20200130-2f1fca44.pth\ --output-file=cascade.onnx --shape=640- 参数说明：
- --shape : 输入图片大小
- --output-file: 输出onnx模型
获得cascade.onnx文件,模型只支持bs1。
- 参数说明：
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令，input_shape请根据实际情况输入对应的输入宽高。
atc --framework=5\ --model=./cascade.onnx\ --output=./cascade\ --input_format=NCHW\ --input_shape="input:1,3,640,640"\ --log=error\ --out_nodes="Concat_1031:0;Reshape_1033:0"\ --soc_version=Ascend${ChipName}-
参数说明：
- --model：为ONNX模型文件。
- --framework：5代表ONNX模型。
- --output：输出的OM模型。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --log：日志级别。
- --soc_version：处理器型号。
- --out_nodes: 输出节点，当input_shape为1,3,1216,1216时，out_nodes为"Concat_1036:0;Reshape_1038:0"
-
运行成功后生成cascade.om模型文件。
-
-
-
开始推理验证。
-
安装ais_bench推理工具。
请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。
-
执行推理。
python -m ais_bench --model ./cascade.om\ --input ./val2017_bin/\ --output ./output\ --output_dirname result\ --batchsize 1\ --outfmt BIN\ --output_dirname result-
参数说明：
- --model: OM模型路径。
- --input: 存放预处理bin文件的目录路径
- --output: 存放推理结果的目录路径
- --batchsize：每次输入模型的样本数
- --outfmt: 推理结果数据的格式
- --output_dirname: 输出结果子目录 推理后的输出默认在当前目录result下。
-
精度验证。
运行get_info.py,生成图片数据文件
python get_info.py jpg ./coco/val2017 coco2017_jpg.info-
参数说明：
- --第一个参数：原始数据集
- --第二个参数：图片数据信息
调用“cascadercnndcn_postprocess.py”评测模型的精度。
python cascadercnndcn_postprocess.py\ --bin_data_path=output/result\ --prob_thres=0.05 --ifShowDetObj\ --det_results_path=detection-results\ --test_annotation=coco2017_jpg.info\ --net_input_width=640\ --net_input_height=640-
参数说明：
- --bin_data_path: 推理结果。
- --test_annotatio: 原始图片信息文件。
- --det_results_path: 后处理输出结果。
- --ifShowDetObj：是否将box画在图上显示。
- --prob_thres: 目标框的置信度阈值
- --net_input_width：输入图片宽，缺省时为1216
- --net_input_height：输入图片高，缺省时为1216
评测结果的mAP值需要使用官方的pycocotools工具，首先将后处理输出的txt文件转化为coco数据集评测精度的标准json格式。
python txt_to_json.py --npu_txt_path detection-results --json_output_file coco_detection_aisInfer_result-
参数说明：
- --npu_txt_path: 后处理输出结果
- --json_output_file: 输出json
调用coco_eval.py脚本，输出推理结果的详细评测报告。
python coco_eval.py --detection_result coco_detection_aisInfer_result.json --ground_truth ./coco/annotations/instances_val2017.json-
参数说明：
- --detection_result: 输出json
- --ground_truth: 标签
-
性能验证。
可使用ais_infer推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
python -m ais_bench --model ./cascade.om --loop 100 --batchsize 1-
参数说明：
- --model: om模型
- --batchsize: 每次输入模型样本数
- --loop: 循环次数
-
模型推理性能&精度
调用ACL接口推理计算，性能参考下列数据。
-
精度对比
Model batchsize input shape Accuracy Cascade_rcnn_dcn 1 1x3x1216x1216 bbox_mAP = 0.438 Cascade_rcnn_dcn 1 1x3x640x640 bbox_mAP = 0.373 -
性能对比
batchsize input shape 300I PRO 性能 imgs/s 1 1x3x1216x1216 6.79 1 1x3x640x640 10.5
FAQ
- 如果在import cv2时报错”libGL.so.1 cannot open shared object file: No such file or directory“，可能是当前环境里同时有opencv-python和opencv-python-headless，uninstall opencv-python opencv-python-headless，然后重新下载opencv-python-headless：pip install opencv-python-headless==4.11.0.86