SE-ResNet50模型-推理指导
概述
SE-ResNet50是Squeeze-and-Excitation Networks论文基于ResNet50的实现。
-
参考实现：
url=https://github.com/Cadene/pretrained-models.pytorch.git branch=master commit_id=8aae3d8f1135b6b13fed79c1d431e3449fdbf6e0 model_name=SE-ResNet50
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 input1 RGB_FP32 batchsize x 3 x 224 x 224 NCHW -
输出数据
输出数据 大小 数据类型 数据排布格式 output1 batchsize x 1000 FLOAT32 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 | 6.0.RC1 | - |
| Python | 3.7.5 | - |
| PyTorch | 1.5.0 | - |
| 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 -b master https://github.com/Cadene/pretrained-models.pytorch.git cd pretrained-models.pytorch git reset --hard 8aae3d8f1135b6b13fed79c1d431e3449fdbf6e0 cd .. -
安装依赖。
pip3 install -r requirements.txt cd pretrained-models.pytorch python3 setup.py install cd ..
准备数据集
-
获取原始数据集。
该模型使用ImageNet官网的5万张验证集进行测试，以ILSVRC2012为例，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。解压后数据集结构如下：
├── imageNet ├── val ├── ILSVRC2012_val_00000001.JPEG ... ├── ILSVRC2012_val_00050000.JPEG ├── val_label.txt -
数据预处理。
数据预处理将原始数据集转换为模型输入的数据。
执行SE_ResNet50_preprocess.py脚本，完成预处理。
python3 SE_ResNet50_preprocess.py resnet ${data_path}/imageNet/val ./pre_data第一个参数为模型类型，第二个参数为测试图像路径，第三个参数为预处理数据保存路径。
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
- 获取权重文件。
参考源码说明获取权重文件，权重文件链接为：
在当前目录下可通过wget命令获取。
wget http://data.lip6.fr/cadene/pretrainedmodels/se_resnet50-ce0d4300.pth --no-check-certificate
-
导出onnx文件。
-
使用SE_ResNet50_pth2onnx.py导出onnx文件。
运行SE_ResNet50_pth2onnx.py脚本。
python3 SE_ResNet50_pth2onnx.py \ --pth=./se_resnet50-ce0d4300.pth \ --onnx=./se_resnet50_dybs.onnx-
参数说明：
- --pth：表示权重文件。
- --onnx：表示onnx保存文件。
在当前目录下获得se_resnet50_dybs.onnx文件。
-
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。
-
执行命令查看芯片名称（${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 --framework=5 \ --model=./se_resnet50_dybs.onnx \ --input_format=NCHW \ --input_shape="image:${batchsize},3,224,224" \ --output=./se_resnet50_bs${batchsize} \ --log=error \ --soc_version=Ascend${chip_name}-
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。
${batchsize}表示转出不同batchsize的om模型，当前可支持的batchsize为：1，4，8，16，32，64。 运行成功后生成
./se_resnet50_bs${batchsize}.om模型文件。 -
-
-
开始推理验证。
a. 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。
b. 执行推理。
python3 -m ais_bench \ --model=./se_resnet50_bs${batchsize}.om \ --input=./pre_data \ --output=./ \ --outfmt=TXT \ --batchsize=${batch_size}-
参数说明：
- --model：om模型路径。
- --input：bin文件路径。
- --output：推理结果保存路径。
- --outfmt：推理结果保存格式。
- --batchsize：om模型的batchsize。
${batchsize}表示不同batch的om模型。推理完成后在当前
SENet工作目录生成推理结果。其目录命名格式为xxxx_xx_xx-xx_xx_xx(年_月_日-时_分_秒)，如2022_08_18-06_55_19。c. 精度验证。
调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result_bs${batchsize}.json中。
python3 SE_ResNet50_postprocess.py ${output_path}/xxxx_xx_xx-xx_xx_xx {data_path}/imageNet/val_label.txt ./ result_bs${batchsize}.json第一个参考为ais_bench推理工具推理结果路径，第二个参数为标签文件val_label.txt路径，第三个参数为精度结果文件保存路径，第四个参数为不同batchsize精度结果文件名称。
d. 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=${om_model_path} --loop=20 --batchsize=${batch_size} -
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 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | ImageNet | Acc@1:77.64%; Acc@5:93.74% | 1064.92 |
| 300I Pro | 4 | ImageNet | Acc@1:77.64%; Acc@5:93.74% | 2113.68 |
| 300I Pro | 8 | ImageNet | Acc@1:77.64%; Acc@5:93.74% | 2348.42 |
| 300I Pro | 16 | ImageNet | Acc@1:77.64%; Acc@5:93.74% | 2358.25 |
| 300I Pro | 32 | ImageNet | Acc@1:77.64%; Acc@5:93.74% | 2479.68 |
| 300I Pro | 64 | ImageNet | Acc@1:77.64%; Acc@5:93.74% | 1494.32 |
| 注：模型最优batchsize=4。 |