0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
ascend-robotascend-robotfix link validity
dd6fe347创建于 4月9日历史提交

DBNet_MobileNetV3模型-推理指导

概述

DBNet(Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion)一个名为可微分二值化（DB）的模块，它可以在分割网络中执行二值化过程。与DB模块一起优化的分割网络可以自适应地设置用于二值化的阈值，这不仅简化了后处理，还提高了文本检测的性能。基于一个简单的分割网络，我们在五个基准数据集上验证了DB的性能改进，这在检测精度和速度方面始终达到了最先进的结果。特别是，对于轻量级主干，DB的性能改进非常显著，因此我们可以在检测精度和效率之间寻找理想的折衷方案。

  • 参考实现：

    url=https://github.com/PaddlePaddle/PaddleOCR.git
branch=release/2.6
model_name=DBNet_MobileNetV3

输入输出数据

  • 输入数据

    输入数据 数据类型 大小 数据排布格式
    x UINT8 batchsize x 736 x 1280 x 3 NHWC

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    sigmoid_0.tmp_0 FLOAT32 batchsize x 1 x 736 x 1280 NCHW

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 22.0.4 Pytorch框架推理环境准备
CANN 6.0.1 -
Python 3.7.5 -
paddlepaddle 2.3.2 仅支持x86环境安装
说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 \ \

快速上手

获取源码

  1. 获取源码。

    git clone -b release/2.6 https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR 
patch -p1 < ../DBNet_MobileNetV3.patch
cd ..

  2. 安装依赖。

    pip3 install -r requirements.txt
cd PaddleOCR

准备数据集

  1. 获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

    ICDAR 2015 数据集包含1000张训练图像和500张测试图像。参考[PaddleOCR数据集]数据处理方式，ICDAR 2015 数据集可以点击[链接]进行下载，首次下载需注册。注册完成登陆后，点击链接下载数据集。

    将数据集ch4_test_images.zip放在DBNet_MobileNetV3工作目录下，通过以下命令创建PaddleOCR/test_data/icdar2015/text_localization/路径，将下载的数据集保存该路径下，并在该路径下通过以下命令进行解压保存并获取标签文件。

    mkdir -p PaddleOCR/test_data/icdar2015/text_localization/ch4_test_images/
unzip -d PaddleOCR/test_data/icdar2015/text_localization/ch4_test_images/ ch4_test_images.zip
wget -P PaddleOCR/test_data/icdar2015/text_localization/ https://paddleocr.bj.bcebos.com/dataset/test_icdar2015_label.txt

  2. 数据预处理。(请拆分sh脚本，将命令分开填写)

    数据预处理将原始数据集转换为模型输入的数据。

    在DBNet_MobileNetV3工作目录下，执行DBNet_MobileNetV3_preprocess.py脚本，完成预处理。

     python3 DBNet_MobileNetV3_preprocess.py \
     -c PaddleOCR/configs/det/det_mv3_db.yml \
     -o data_dir=./PaddleOCR/test_data/icdar2015/text_localization/ bin_dir=./data_bin info_dir=./data_info

    • 参数说明：

      • -c：模型配置文件。
      • -o：配置参数，其中data_dir表示数据集路径，bin_dir表示二进制数据保存路径，data_info数据信息保存路径。

    运行后在当前目录下的data_bin路径中保存生成的二进制数据，data_info路径中保存数据信息。

模型推理

  1. 模型转换。

    使用paddle2onnx将模型权重文件转换为.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。

    1. 获取权重文件。

      训练权重链接。 在DBNet_MobileNetV3工作目录下可通过以下命令获取训练权重并转为推理模型。

      wget -nc -P ./checkpoint https://paddleocr.bj.bcebos.com/dygraph_v2.0/en/det_mv3_db_v2.0_train.tar
cd ./checkpoint && tar xf det_mv3_db_v2.0_train.tar && cd ..
python3 PaddleOCR/tools/export_model.py \
    -c PaddleOCR/configs/det/det_mv3_db.yml \
    -o Global.pretrained_model=./checkpoint/det_mv3_db_v2.0_train/best_accuracy  \
    Global.save_inference_dir=./inference/det_db

      • 参数说明：

        • -c：模型配置文件。
        • -o: 模型入参信息。
        • Global.pretrained_model：权重文件保存路径。
        • Global.save_inference_dir：paddleocr推理模型保存路径。

    2. 导出onnx文件。

      1. 使用paddle2onnx工具导出onnx文件。

        在DBNet_MobileNetV3工作目录下通过运行以下命令获取onnx模型。

        paddle2onnx \
   --model_dir ./inference/det_db \
   --model_filename inference.pdmodel \
   --params_filename inference.pdiparams \
   --save_file ./inference/det_db_onnx/DBNet_MobileNetV3_bs${batchsize}.onnx \
   --opset_version 10 \
   --input_shape_dict="{'x':[${batchsize},3,-1,-1]}" \
   --enable_onnx_checker True

        参数说明请通过paddle2onnx -h命令查看。 运行后在DBNet_MobileNetV3/inference/det_db_onnx目录下获得DBNet_MobileNetV3_bsbatchsize.onnx文件。‘{batchsize}.onnx文件。 `{batchsize}`表示onnx模型可支持不同batch推理，可取值为：1，4，8，16，32，64。

    3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

        source /usr/local/Ascend/ascend-toolkit/set_env.sh

        说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

      2. 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-smi 22.0.2                           Version: 22.0.4                                       |
+-----------------------+-----------------+------------------------------------------------------+
| NPU     Name          | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
| Chip    Device        | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
+=======================+=================+======================================================+
| 2144    310P3         | OK              | NA           47                0    / 0              |
| 0       0             | 0000:86:00.0    | 0            1807 / 21527                            |
+=======================+=================+======================================================+

      3. 执行ATC命令。

        atc --framework=5 \
--model=./inference/det_db_onnx/DBNet_MobileNetV3_bs${batchsize}.onnx \
--output=./inference/det_db_om/DBNet_MobileNetV3_bs${batchsize} \
--input_format=NCHW \
--input_shape="x:${batchsize},3,736,1280" \
--log=debug \
--soc_version=Ascend${chip_name} \
--insert_op_conf=DBNet_MobileNetV3_aipp.cfg \
--enable_small_channel=1

        • 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。
          • --input_format：输入数据的格式。
          • --enable_small_channel:是否使能small_channel优化。

          ${batchsize}表示om模型可支持不同batch推理，可取值为：1，4，8，16，32，64。 运行成功后生成DBNet_MobileNetV3_bs${batchsize}.om模型文件。

  2. 开始推理验证。

    a. 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。

    b. 执行推理。

    python3 -m ais_bench \
    --model=./inference/det_db_om/DBNet_MobileNetV3_bs${batchsize}.om \
    --input=./data_bin \
    --batchsize=${batchsize} \
    --output=./inference_output

    • 参数说明：

      • --model：om模型路径。
      • --input：bin文件路径。
      • --batchsize：om模型的batch。
      • --output：推理结果保存路径。

    ${batchsize}表示不同batch的om模型。

    推理完成后在当前DBNet_MobileNetV3工作目录生成推理结果。其目录命名格式为xxxx_xx_xx-xx_xx_xx(年_月_日-时_分_秒)，如2022_08_18-06_55_19。

    说明： 执行ais-infer工具请选择与运行环境架构相同的命令。参数详情请参见。

    c. 精度验证。

    执行后处理脚本DBNet_MobileNetV3_postprocess.py，参考命令如下：

    python3 DBNet_MobileNetV3_postprocess.py \
  -c PaddleOCR/configs/det/det_mv3_db.yml \
  -o info_dir=./data_info res_dir=./inference_output/${output_path}

    • 参数说明：

      • -c：模型配置文件。
      • -o：可选参数，info_dir表示数据信息路径；res_dir表示推理结果路径；${output_path}为om模型推理结果的保存目录，即为b步骤中的output输出目录（年_月_日-时_分_秒）。

    推理结果通过屏显显示，参考如下：

    precision:0.775
recall:0.7313432835820896
hmean:0.7525390141193956

    d. 性能验证。

    可使用ais_bench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：

    python3 -m ais_bench \
    --model=./inference/det_db_om/DBNet_MobileNetV3_bs${batchsize}.om \
    --loop=100 \
    --batchsize=${batchsize}

    • 参数说明：

      • --model：om模型路径。
      • --loop：推理次数。
      • --batchsize：om模型的batch。

    ${batchsize}表示不同batch的om模型。

    纯推理完成后，在ais_bench的屏显日志中throughput为计算的模型推理性能。

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。

芯片型号 Batch Size 数据集 精度 性能
300I Pro 1 ICDAR 2015 Acc:0.775 196.102 fps
300I Pro 4 ICDAR 2015 Acc:0.775 161.343 fps
300I Pro 8 ICDAR 2015 Acc:0.775 158.040 fps
300I Pro 16 ICDAR 2015 Acc:0.775 152.316 fps
300I Pro 32 ICDAR 2015 Acc:0.775 152.485 fps
300I Pro 64 ICDAR 2015 Acc:0.775 153.007 fps