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

EfficientNet-B1模型PyTorch离线推理指导

概述

EfficientNet是图像分类网络，在ImageNet上性能优异，并且在常用迁移学习数据集上达到了相当不错的准确率，参数量也大大减少，说明其具备良好的迁移能力，且能够显著提升模型效果。

  • 参考实现：

    url=https://github.com/facebookresearch/pycls

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 FLOAT32 batchsize x 3 x 240 x 240 NCHW

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    output FLOAT32 batchsize x 1000 ND

推理环境准备

| CANN | 6.0.RC1 | CANN推理架构准备 | | Python | 3.7.5 | 创建anaconda环境时指定python版本即可，conda create -n ${your_env_name} python==3.7.5 | | PyTorch | 1.11.0 | - | | 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

  1. 获取源码。

    git clone https://github.com/facebookresearch/pycls
cd pycls
git reset f20820e01eef7b9a47b77f13464e3e77c44d5e1f --hard
cd ..

  2. 安装依赖，测试环境时可能已经安装其中的一些不同版本的库，故手动测试时不推荐使用该命令安装

    pip3.7 install -r requirements.txt

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）

    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meta.mat。

    数据目录结构参考如下格式：

    ├──ILSVRC2012_img_val
├──val
├──ILSVRC2012_devkit_t12
   ├── data
       └── meta.mat

  2. 数据预处理

    1. 首先运行数据集切分脚本ImageNet_val_split.py切分官方val数据集，形成上述目录结构，

      python3.7 ImageNet_val_split.py ./val ./ILSVRC2012_devkit_t12

      • 参数说明：

        • ./val：下载且未分类的ImageNet的val数据集绝对路径（如果需要保留val文件夹请先备份）。
        • ./ILSVRC2012_devkit_t12：官方提供的deckit文件夹绝对路径。

    2. 然后将原始数据集转换为模型输入的数据，执行Efficient-B1_preprocess.py脚本，完成预处理。

      python3.7 Efficient-B1_preprocess.py ./val ./prep_dataset

      • 参数说明：

        • ./val：同上述val数据集绝对路径。
        • ./prep_dataset：保存数据集处理后二进制文件的文件夹绝对路径。

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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/EfficientNet-B1/PTH/EN-B1_dds_8gpu.pyth

    2. 导出onnx文件。

      1. 使用pth2onnx导出onnx文件。

        运行pth2onnx脚本。

        python3.7 Efficient-B1_pth2onnx.py EN-B1_dds_8gpu.pyth ./pycls/configs/dds_baselines/effnet/EN-B1_dds_8gpu.yaml Efficient-b1.onnx

        获得Efficient-b1.onnx文件。

      2. 优化ONNX文件。

        python3.7 -m onnxsim ./Efficient-b1.onnx b1_sim.onnx

        获得b1_sim.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=b1_sim.onnx --framework=5 --input_format=NCHW --input_shape="image:8,3,240,240" --output=b1_bs8 --soc_version=Ascend${chip\_name\} --log=debug

        • 参数说明：

          • --model：为ONNX模型文件。
          • --framework：5代表ONNX模型。
          • --input_format：输入数据的格式。
          • --input_shape：输入数据的shape。
          • --output：输出的OM模型。
          • --soc_version：处理器型号。
          • --log：日志级别。

          运行成功后生成b1_bs8模型文件。

  2. 开始推理验证。

    1. 使用ais_bench工具进行推理。

      ais_bench工具获取及使用方式请点击查看ais_bench推理工具使用文档

    2. 建立软链接 将prep_dataset文件夹处理为工具可以输入的格式。

      1. 创建用于保存软链接的文件夹

        mkdir soft_link
cd soft_link

      2. 建立软链接（若无法建立，可尝试切换root用户重新建立）

        find /home/${username}/ModelZoo-PyTorch/ACL_PyTorch/contrib/cv/classfication/EfficientNet-B1/prep_dataset/ -name "*.bin" | xargs -i ln -sf {} /home/${username}/ModelZoo-PyTorch/ACL_PyTorch/contrib/cv/classfication/EfficientNet-B1/soft_link/

    3. 执行推理。

      source /usr/local/Ascend/ascend-toolkit/set_env.sh
python3.7 -m ais_bench --model b1_bs8.om --input ./soft_link --output ./ --outfmt TXT --device 0

      • 参数说明：

        • --model：om文件路径。
        • --input：数据预处理后保存文件的路径。
        • --output：输出文件夹路径。
        • --outfmt：输出格式（一般为BIN或者TXT）。
        • --device：NPU的ID，默认填0。

      推理后的输出默认在当前目录生成{20xx_xx_xx-xx_xx_xx}文件夹。

    4. 精度验证。

      调用Efficient-B1_postprocess.py脚本，可以获得精度accuracy数据（top1和top5），输入指令后请稍等片刻

       python3.7 Efficient-B1_postprocess.py --pre_dir ${20xx_xx_xx-xx_xx_xx} --data_dir ../val/ --save_file ./result.json

      • 参数说明：

        • --pre_dir：为生成推理结果所在相对路径。
        • --data_dir：同上述val数据集绝对路径。
        • --save_file：保存精度验证结果的路径文件。

    5. 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：

       python3.7 -m ais_bench --model ./b1_bs8.om
      • 参数说明：
        • --model：om模型的路径

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TOP1 精度TOP5 性能
300I Pro 1 ImageNet 75.940 92.774 838.223
300I Pro 4 ImageNet 75.940 92.774 1235.712
300I Pro 8 ImageNet 75.940 92.774 1409.692
300I Pro 16 ImageNet 75.940 92.774 1360.392
300I Pro 32 ImageNet 75.940 92.774 1304.791
300I Pro 64 ImageNet 75.940 92.774 1273.800