LV-Vit 模型推理指导
概述
在本文中，提出了一个新的Vision Transformer训练方式称为LV-ViT，同时利用了patch token 和class token。该方法采用机器注释器生成的K维分数图作为监督，以密集方式监督所有token，其中K是目标数据集的类别数。通过这种方式，每个patch token显式地与指示相应图像patch内存在目标物体的单个位置特定监督相关联，从而在计算开销可以忽略不计的情况下提高vision Transformer的物体识别能力。这是首次证明密集监控有利于图像分类中的vision Transformer的工作。
-
论文
LV-Vit论文 Zihang Jiang, Qibin Hou, Li Yuan, Daquan Zhou, Yujun Shi, Xiaojie Jin, Anran Wang, Jiashi Feng -
参考实现：
https://github.com/zihangJiang/TokenLabeling.git branch:master commit_id:2a217161fd5656312c8fac447fffbb6b3c091af7
输入输出数据
-
模型输入
input-name data-type data-format input-shape actual_input_1 FLOAT32 NCHW bs x 3 x 224 x 224 -
模型输出
output-name data-type data-format output-shape output1 FLOAT32 ND bs x 1000
推理环境
-
该模型推理所需配套的软件如下：
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 6.0.RC1 - Python 3.7.5 - 说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。
快速上手
安装
- 安装推理过程所需的依赖
pip3 install -r requirements.txt - 获取源码
cd LV-Vit git clone https://github.com/zihangJiang/TokenLabeling.git cd TokenLabeling patch -p1 < ../LV-Vit.patch cd ..
准备数据集
-
获取原始数据集
本模型推理项目使用 ILSVRC2012 数据集验证模型精度，请在 ImageNet官网 自行下载，并按照以下的目录结构存放图片与标签文件。ILSVRC2012 ├── val_label.txt ├── images │ ├── ILSVRC2012_val_00000001.jpeg │ ├── ILSVRC2012_val_00000002.jpeg │ ..... │ ├── ILSVRC2012_val_00050000.jpeg -
数据预处理
执行前处理脚本将原始数据转换为OM模型输入需要的bin/npy文件。mkdir -p prep_dataset python3 LV_Vit_preprocess.py --src_path ${datasets_path}/ILSVRC2012/images --save_path ./prep_dataset其中"datasets_path"表示处理前原数据集的地址，"prep_dataset"表示生成数据集的文件夹名称。
运行后，将会得到如下形式的文件夹：
├── prep_dataset │ ├──input_00000.bin │ ├──......
模型转换
-
下载pth权重文件
LV-Vit预训练pth权重文件然后执行执行以下命令生成 ONNX 模型：
python3 LV_Vit_pth2onnx.py --model_path ./model/lvvit_s-26M-224-83.3.pth.tar --onnx_path ./model/model_best_bs1.onnx --batch_size 1参数说明：
- --model_path : 权重文件路径
- --onnx_path : 输出onnx的文件路径
- --batch_size ：输出onnx的可输入数据量
-
使用 onnxsim 工具优化onnx模型
python3 -m onnxsim --input-shape="1,3,224,224" ./model/model_best_bs1.onnx ./model/model_best_bs1_sim.onnx参数说明：
- --input-shape: 输入模型的宽高
-
ONNX 模型转 OM 模型
step1: 查看NPU芯片名称 ${chip_name}
npu-smi info例如该设备芯片名为 310P3，回显如下：
+-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+step2: ONNX 模型转 OM 模型
# 配置环境变量 source /usr/local/Ascend/ascend-toolkit/set_env.sh chip_name=310P3 # 根据 step1 的结果设值 bs=1 # 根据需要自行设置 # 执行 ATC 进行模型转换 atc --model=./model/model_best_bs1_sim.onnx \ --framework=5 \ --output=./model/model_best_bs1_sim \ --input_format=NCHW \ --input_shape="image:1,3,224,224" \ --log=error \ --soc_version=Ascend${chip_name} \参数说明：
- --framework: 5代表ONNX模型
- --model: ONNX模型路径
- --input_shape: 模型输入数据的shape
- --input_format: 输入数据的排布格式
- --output: OM模型路径，无需加后缀
- --log：日志级别
- --soc_version: 处理器型号
推理验证
-
对数据集推理
该离线模型使用ais_infer作为推理工具，请参考安装文档安装推理后端包aclruntime与推理前端包ais_bench。完成安装后，执行以下命令预处理后的数据进行推理。python3 -m ais_bench \ --model ./model/model_best_bs1_sim.om \ --input ./prep_dataset/ \ --output ./ \ --output_dirname ./result/ \ --outfmt TXT \ --batchsize 1参数说明：
- --model: OM模型路径
- --input: 存放预处理后数据的目录路径
- --output: 用于存放推理结果的父目录路径
- --output:_dirname 用于存放推理结果的子目录名，位于--output指定的目录下
- --outfmt: 推理结果文件的保存格式
- --batchsize: 模型每次输入bin文件的数量,本例中为1。
-
性能验证
对于性能的测试，需要注意以下三点：- 测试前，请通过
npu-smi info命令查看NPU设备状态，请务必在NPU设备空闲的状态下进行性能测试。 - 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
- 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。
python3 -m ais_bench --model ./model/model_best_bs1_sim.om --batchsize ${bs}执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 [INFO] throughput 开头的一行，行尾的数字即为 OM 模型的吞吐率。
- 测试前，请通过
-
精度验证
执行后处理脚本，根据推理结果计算OM模型的精度：
python3 LV_Vit_postprocess.py --result_path ./result/dumpOutput_device0 --annotation_path ./ILSVRC2012/val.txt参数说明：
- --result_path: 存放推理结果的目录路径
- --annotation_path: 标签文件路径
控制台输出如下信息
accuracy: 0.8317
性能&精度
| 芯片型号 | BatchSize | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | ILSVRC2012 | Top1Acc=83.17% | 59.2 fps |
| 300I Pro | 4 | ILSVRC2012 | Top1Acc=83.17% | 76.0 fps |
| 300I Pro | 8 | ILSVRC2012 | Top1Acc=83.17% | 59.9 fps |
| 300I Pro | 16 | ILSVRC2012 | Top1Acc=83.17% | 26.4 fps |
| 300I Pro | 32 | ILSVRC2012 | Top1Acc=83.17% | 11.5 fps |
| 300I Pro | 64 | ILSVRC2012 | Top1Acc=83.17% | 5.1 fps |