0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
Ii-robot!6847 [PyTorch离线推理]资料整改，替换芯片名称
291a976e创建于 2024年11月26日历史提交

# SPACH 模型-推理指导

概述

SPACH 是结合了卷积和Transformer模块的混合模型，应用于分类任务。本推理指导文档以其中的SPACH-Conv-MS-S配置为例。

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
    output FP32 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 1.0.17 Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 -
    PyTorch 1.12.1 -
    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. 获取本仓源码

  2. 获取开源模型代码

    git clone http://github.com/microsoft/Spach.git
cd Spach
git reset --hard f69157d4e90fff88285766a4eabf51b29d772da3
cd ..

  3. 安装必要依赖。

    pip3 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验证集进行推理测试 ，用户自行获取数据集后，将文件解压并上传数据集到任意路径下。数据集目录结构如下所示：

    imageNet/
|-- val
|   |-- ILSVRC2012_val_00000001.JPEG
|   |-- ILSVRC2012_val_00000002.JPEG
|   |-- ILSVRC2012_val_00000003.JPEG
|   ...
|-- val_label.txt
...

  2. 数据预处理，将原始数据集转换为模型的输入数据。

    执行 SPACH_preprocess.py 脚本，完成数据预处理。

    python3 SPACH_preprocess.py --src-path=${data_dir} --save-path=${save_dir}

    参数说明：

    • --data_dir：原数据集所在路径。
    • --save_dir：生成数据集二进制文件。

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。

      获取权重文件 spach_ms_conv_s.pth，并将其放入当前工作目录。

    2. 导出onnx文件。

      1. 使用SPACH_pth2onnx.py导出动态batch的onnx文件。

        python3 SPACH_pth2onnx.py --input-path ${pth_file} --output-path ${onnx_file}

        参数说明：

        • --pth_file：权重文件。
        • --onnx_file：生成 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                            |
+===================+=================+======================================================+

    4. 执行ATC命令。

      # bs = [1, 4, 8, 16, 32, 64]
atc --model=spach_ms_conv_s.onnx --framework=5 --output=spach_ms_conv_s_bs${bs}\
 --optypelist_for_implmode="Gelu" --op_select_implmode=high_performance\
 --log=error --input_format=NCHW --input_shape="input:${bs},3,224,224"\
 --output_type=FP16 --soc_version=Ascend${chip_name} --fusion_switch_file=fusion_switch.cfg

      运行成功后生成spach_bs${bs}.om模型文件。

      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。
      • --fusion_switch_file：融合文件开关配置文件路径。

  2. 开始推理验证。

    1. 使用ais-infer工具进行推理。

      ais-infer工具获取及使用方式请点击查看[ais_infer 推理工具使用文档]

    2. 执行推理。

      python3 -m ais_bench --model=spach_ms_conv_s_bs${bs}.om  --batchsize=${bs} \
--input ${save_dir} --output result --output_dirname result_bs${bs} --outfmt TXT

      参数说明：

      • --model：om模型路径。
      • --batchsize：批次大小。
      • --input：输入数据所在路径。
      • --output：推理结果输出路径。
      • --output_dirname：推理结果输出子文件夹。
      • --outfmt：推理结果输出格式

  3. 精度验证。

    调用SPACH_postprocess.py脚本与数据集标签val_label.txt比对，可以获得Accuracy数据。

    python SPACH_postprocess.py --txt-path=${result_dir} --label-path=${gt_file}

    参数说明：

    • --txt-path：推理结果所在路径，这里为 ./result/result_bs${bs}。
    • --label_path：真值标签文件val_label.txt所在路径。

  4. 可使用ais_infer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=spach_ms_conv_s_bs${bs}.om --loop=50 --batchsize=${bs}

    参数说明：

    • --model：om模型路径。
    • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，SPACH-Conv-MS-S模型的性能和精度参考下列数据。

芯片型号 Batch Size 数据集 开源精度（Acc@1） 参考精度（Acc@1）
300I Pro 1 ImageNet 81.6% 81.5%
芯片型号 Batch Size 参考性能（FPS）
300I Pro 1 325.89
300I Pro 4 365.49
300I Pro 8 462.96
300I Pro 16 417.44
300I Pro 32 388.13
300I Pro 64 369.21