RetinaNet_Resnet18模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

  ---

概述

论文提出了一个简单、灵活、通用的损失函数Focal loss，用于解决单阶段目标检测网络检测精度不如双阶段网络的问题。这个损失函数是针对了难易样本训练和正负样本失衡所提出的，使得单阶段网络在运行快速的情况下，获得与双阶段检测网络相当的检测精度。此外作者还提出了一个Retinanet用于检验网络的有效性，其中使用Resnet和FPN用于提取多尺度的特征。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection
  commit_id=c14dd6c42efb63f662a63fe403198bac82f47aa6
  model_name=retinanet_r18_fpn_1x_coco
  

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
  input	RGB_FP32	1 x 3 x 1216 x 1216	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  dets	FLOAT32	1 x 5 x 100	ND
  labels	INT64	1 x 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	1.0.17	Pytorch框架推理环境准备
  CANN	7.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.10.0	-

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/open-mmlab/mmdetection.git
   cd mmdetection
   git reset --hard c14dd6c42efb63f662a63fe403198bac82f47aa6
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd mmdetection
   pip3 install -v -e .
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型使用coco2017数据集的验证集。获取数据集并解压后将coco文件夹放在data文件夹下，文件目录结构如下：

    Retinanet
    ├── data
    │   ├── coco
    │   │   ├── annotations
    │   │   ├── val2017
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   运行retinanet_preprocess.py脚本，完成数据预处理。

   python3 retinanet_preprocess.py --image_folder ./data/coco/val2017 --bin_folder_path input_data	
   

   • --image_folder: 原始数据验证集所在路径。
   • --bin_folder_path：输出的二进制文件（.bin）所在路径。

   运行成功后，会在当前目录下生成input_data文件夹。

模型推理

1. 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。

   1. 获取权重文件。

      Retinanet_r18_fpn_1x权重下载路径

   2. 导出onnx文件。

      1. 使用pytorch2onnx.py导出onnx文件。

         export PYTHONPATH=`pwd`/mmdetection:$PYTHONPATH
         python3 mmdetection/tools/deployment/pytorch2onnx.py mmdetection/configs/retinanet/retinanet_r18_fpn_1x_coco.py retinanet_r18_fpn_1x_coco_20220407_171055-614fd399.pth --shape 1216 --output-file retinanet.onnx
         

         • 参数说明：
           • 第一个参数为配置文件路径。
           • 第二个参数为权重文件路径。
           • --shape：输入数据大小。
           • --output-file：转出的onnx模型路径。

         运行成功后获得retinanet.onnx文件。

      2. 量化（可选）

      amct_onnx calibration --model retinanet.onnx --save_path ./amct --input_shape "input:1,3,1216,1216" --data_dir ./input_data/ --data_types "float32" --calibration_config amct.cfg
      mv Retinanet_Resnet18_result_deploy_model.onnx retinanet_int8.onnx
      

      获得量化后的retinanet_int8.onnx

      3. 修改ONNX文件。

         请访问auto-optimizer改图工具代码仓，根据readme文档进行工具安装。

         python3 -m auto_optimizer optimize retinanet.onnx retinanet_fix.onnx -k 4,8
         

         获得retinanet_fix.onnx文件。

   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
         

      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     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                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --model=retinanet_fix.onnx \
            --framework=5 \
            --output=retinanet \
            --log=error \
            --soc_version=Ascend${chip_name}
         

         • 参数说明：
           • --model: ONNX模型文件所在路径。
           • --framework: 5 代表ONNX模型。
           • --output: 生成OM模型的保存路径。
           • --log: 日志级别。
           • --soc_version: 处理器型号。

      运行成功后生成 retinanet.om 模型文件。

2. 开始推理验证。

   1. 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。

   2. 执行推理。

      python3 -m ais_bench \
            --model retinanet.om \
            --input ./input_data \
            --output ./ \
            --output_dirname output_data
      

      • 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。
        • --output_dirname: 存放推理结果文件夹。

        推理后的输出默认在当前目录output_data下。

   3. 精度验证。

      • 执行后处理脚本，计算 mAP 精度：

        python3 retinanet_postprocess.py \
              --bin_data_path=./output_data/ \
              --test_annotation=data/coco/val2017/ \
              --ground_truth=data/coco/annotations/instances_val2017.json
        

        • 参数说明：
          • --bin_data_path: 推理结果所在路径
          • --test_annotation: 原始图片信息文件
          • --ground_truth: 数据集信息文件

   4. 性能验证。

      可使用ais_bench推理工具的纯推理模式验证om模型的性能，参考命令如下：

      python3 -m ais_bench --model retinanet.om --loop 20
      

      -参数说明：

      • --model: om模型。
      • --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。 开源仓精度（mAP）：31.7

芯片型号	Batch Size	数据集	精度	性能(FP16)
300I Pro	1	COCO2017	mAP：31.6	50
该模型仅支持batch size为1