7ea8f2f9创建于 2024年11月28日历史提交

Conformer-base模型-推理指导

概述
- 输入输出数据
推理环境准备
快速上手
模型推理性能&精度

概述

Conformer是一个结合卷积和Transformer的混合网络结构，以利用卷积运算和自我注意机制来增强表示学习。Conformer源于特征耦合单元（FCU），它以交互方式融合了不同分辨率下的局部特征和全局表示。Conformer采用并行结构，以便最大程度地保留局部特征和全局表示。

参考实现：

url=https://github.com/open-mmlab/mmclassification
code_path=configs/conformer
model_name=Conformer

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 batchsize x 3 x 224 x 224 NCHW
输出数据

输出数据数据类型大小数据排布格式

output1 FLOAT32 batchsize x 1000 ND

输入数据	数据类型	大小	数据排布格式
input	RGB_FP32	batchsize x 3 x 224 x 224	NCHW

输出数据	数据类型	大小	数据排布格式
output1	FLOAT32	batchsize x 1000	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	22.0.2	Pytorch框架推理环境准备
CANN	5.1.RC2	-
Python	3.7.5	-
PyTorch	1.9.0	-
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

获取源码。

git clone https://github.com/open-mmlab/mmclassification
cd mmclassification
git checkout v0.24.1
git apply ../Conformer-base.patch
cd ..

安装依赖。
```
pip3 install -r requirements.txt
```

准备数据集

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

本模型支持ImageNet 50000张图片的验证集。以ILSVRC2012为例，请用户需自行获取ILSVRC2012数据集，上传数据集到服务器任意目录并解压（如：/home/HwHiAiUser/dataset）。本模型将使用到ILSVRC2012_img_val.tar验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。目录结构如下：
```
├── datasets
   ├── val
      ├── ILSVRC2012_val_00000001.jpeg
      ├── ILSVRC2012_val_00000002.jpeg
      ├── ...
   ├── val_label.txt 
```
数据预处理，将原始数据集转换为模型输入的数据。

Conformer-base模型使用ImageNet2012中的5万张验证集数据进行测试，具体来说参考Conformer-base的源码仓中的测试过程对验证集图像进行缩放，中心裁剪以及归一化，并将图像数据转换为二进制文件(.bin)
```
mkdir ./bin
python3 Conformer-base_preprocess.py --src_path {dataset_path}/val --save_path ./bin 
```

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。

wget https://download.openmmlab.com/mmclassification/v0/conformer/conformer-base-p16_3rdparty_8xb128_in1k_20211206-bfdf8637.pth

导出onnx文件。

执行pytorch2onnx.py脚本，生成动态onnx模型文件。

cd mmclassification
python3 tools/deployment/pytorch2onnx.py configs/conformer/conformer-base-p16_8xb128_in1k.py --checkpoint ../conformer-base-p16_3rdparty_8xb128_in1k_20211206-bfdf8637.pth --output-file ../conformer_base_dynamicbs.onnx --dynamic-export
cd ..

获得conformer_base_dynamicbs.onnx文件。

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。
```
 atc --model=conformer_base_dynamicbs.onnx --framework=5 --output=conformer_base_bs${batch_size} --input_shape="input:${batch_size},3,224,224" --log=error --soc_version=${soc_version}
```
- 参数说明：
  - --model：为ONNX模型文件。
  - --framework：5代表ONNX模型。
  - --output：输出的OM模型。
  - --input_format：输入数据的格式。
  - --input_shape：输入数据的shape。
  - --log：日志级别。
  - --soc_version：处理器型号。
  - --insert_op_conf=aipp_resnet34.config: AIPP插入节点，通过config文件配置算子信息，功能包括图片色域转换、裁剪、归一化，主要用于处理原图输入数据，常与DVPP配合使用，详见下文数据预处理。
  运行成功后生成conformer_base_bs${batch_size}.om模型文件。

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。
```
source /usr/local/Ascend/ascend-toolkit/set_env.sh
mkdir output
python3 -m ais_bench --model ./conformer_base_bs1.om --input ./bin --output ./output --output_dirname bs1 --outfmt TXT  
```
  - 参数说明：
    - model：om文件路径。
    - input：模型需要的输入。
    - output：推理结果输出路径。
    - outfmt：输出数据的格式。
3. 精度验证。
  
  调用Conformer-base_postprocess.py脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在acc_result.json中。
```
 python3 Conformer-base_postprocess.py --anno_file={dataset_path}/val_label.txt --benchmark_out=output/bs1 --result_file=acc_result.json
```
  - 参数说明：
    - {dataset_path}/val_label.txt：数据集标签文件
    - output/bs1：生成推理结果所在目录
    - acc_result.json：生成结果文件
4. 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=conformer_base_bs${batch_size}.om --loop=20 --batchsize=${batch_size}
```
  - 参数说明：
    - --model：对应batch size的om文件
    - --batchsize：batch大小

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。

模型	参考精度	300I PRO离线推理精度	性能基准	300I PRO性能
Conformer-base bs1	top1:83.82%	top1:83.85%	fps 151.8395	fps 142.4363

模型	性能基准	300I PRO性能
Conformer-base bs1	151.8395fps	142.4363fps
Conformer-base bs4	211.3495fps	208.2684fps
Conformer-base bs8	218.5971fps	257.7437fps
Conformer-base bs16	221.4235ps	231.9296ps
Conformer-base bs32	222.7179fps	220.9309fps
Conformer-base bs64	138.7254fps	208.0021fps