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-B5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。EfficientNet-B5在EfficientNet-B0的基础上，利用NAS搜索技术，对输入分辨率Resolution、网络深度Layers、网络宽度Channels三者进行综合调整的结果。

  • 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 456 x 456 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）

    本模型使用ImageNet 50000张图片的验证集，请参考ImageNet官网下载和处理数据集

    处理完成后获得分目录的图片验证集文件，目录结构如下：

    imagenet/ILSVRC2012_img_val/
   |-- ILSVRC2012_val_00000293.JPEG
   |-- ILSVRC2012_val_00002138.JPEG
   |-- ......

  2. 数据预处理。

    数据预处理将原始数据集（.jpeg）转换为模型输入的二进制文件（.bin）。

    执行imagenet_torch_preprocess.py脚本，完成预处理。

    python3.7 imagenet_torch_preprocess.py efficientnetB5 ./ImageNet/ILSVRC2012_img_val ./prep_dataset
    • 参数说明：
      • efficientnetB5：默认输入。
      • ./dataset/ImageNet/ILSVRC2012_img_val：为验证集路径。
      • ./prep_dataset：为预处理后生成的二进制文件的存储路径。

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-B5/PTH/efficientnetb5.pyth

    2. 导出onnx文件。

      1. 使用efficientnetB5_pth2onnx.py导出onnx文件。

        运行efficientnetB5_pth2onnx.py脚本。

        python3.7 efficientnetB5_pth2onnx.py efficientnetb5.pyth ./pycls/configs/dds_baselines/effnet/EN-B3_dds_8gpu.yaml efficientnetb5.onnx

        获得efficientnetB5.onnx文件。

      2. 优化ONNX文件。

        python3.7 -m onnxsim --overwrite-input-shape="image:64,3,456,456" ./efficientnetb5.onnx bs64_onnxsim.onnx

        获得bs64_onnxsim.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 --framework=5 --model=./bs64_onnxsim.onnx --input_format=NCHW --input_shape="image:64,3,456,456" --output=efficientnetb5_bs64 --log=debug --soc_version=Ascend${chip_name}

        • 参数说明：

          • --framework：5代表ONNX模型。
          • --model：为ONNX模型文件。
          • --input_format：输入数据的格式。
          • --input_shape：输入数据的shape。
          • --output：输出的OM模型（bs后的数字为batchsize的大小）。
          • --log：日志级别。
          • --soc_version：处理器型号。

          运行成功后生成efficientnetb5_bs64.om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. 执行推理。

      source /usr/local/Ascend/ascend-toolkit/set_env.sh
mkdir outputs
python3.7 -m ais_bench --model ./efficientnetb5_bs64.om --input ./prep_dataset  --output ./outputs --outfmt TXT --device 0

      • 参数说明：

        • --model：om文件路径。
        • --input：模型需要的输入(预处理后的生成文件)。
        • --output：为推理数据输出路径。
        • --outfmt：输出数据的格式，可取值“NPY”、“BIN”、“TXT”。

      推理后的输出在output参数对应路径的文件outputs里。

    3. 精度验证。

      调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。

      python3.7 vision_metric_ImageNet.py ./outputs/${2022_{}_{}-{}_{}_{}}/ ./val_label.txt ./ result.json
      • 参数说明
        • ./outputs/${2022_{}_{}-{}_{}_{}}/：为生成推理结果所在路径
        • ./val_label.txt：为标签数据
        • result.json：为生成结果文件

    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：

      python3.7 -m ais_bench --model=efficientnetb5_bs64.om
      • 参数说明
        • --model：om模型文件路径

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 77.2 92.8 65.462
300I Pro 4 ImageNet 77.2 92.8 161.258
300I Pro 8 ImageNet 77.2 92.8 163.663
300I Pro 16 ImageNet 77.2 92.8 163.955
300I Pro 32 ImageNet 77.2 92.8 163.940
300I Pro 64 ImageNet 77.2 92.8 166.408