Shufflenetv1模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

概述

该模型提出一种在计算能力上极其高效的卷积神经网络架构，被命名为ShuffleNet, 它是专门为这种计算能力非常受限的移动设备而设计（比如10-150 MFLOPS)。这种新的架构使用了两种新的操作，基于点的分组卷积（pointwise group convolution)和通道重组（channel shuffle)，这样能够在保证准确率的同时极大的减少计算成本。论文在ImageNet分类和MS COCO目标检测数据集上进行实验，证实了ShuffleNet比其它架构更加优秀，比如在ImageNet分类任务中比MobileNet(V1) top-1错误率更低（仅有7.8%），但是它的计算成本却仅有40 MFLOPS。在一个基于ARM的移动设备上，ShuffleNet在保证相当精度的同时实现了比AlexNet快13倍的速度。

• 参考实现：

  url=https://github.com/megvii-model/ShuffleNet-Series
  commit_id=d69403d4b5fb3043c7c0da3c2a15df8c5e520d89
  model_name=ShuffleNetV1
  

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
  output1	FLOAT32	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	22.0.2	Pytorch框架推理环境准备
  CANN	5.1.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.0	-
  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/megvii-model/ShuffleNet-Series.git   
   cd ShuffleNet-Series   
   git reset --hard d69403d4b5fb3043c7c0da3c2a15df8c5e520d89
   cd ..
   

2. 安装依赖。

   pip 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官网的5万张验证集进行测试，以ILSVRC2012为例，用户需获取ILSVRC2012数据集，并上传到服务器，图片与标签分别存放在./imagenet/val与./imageNet/val_label.txt。

   ├── imagenet
       ├── val
       ├── val_label.txt 
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行shufflenetv1_preprocess.py脚本，完成预处理。

   python shufflenetv1_preprocess.py  ./imagenet/val ./prep_dataset 
   

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/ShuffleNetV1/PTH/1.0x.pth.tar
   

   2. 导出onnx文件。

      1. 使用shufflenetv1_pth2onnx.py导出onnx文件。

         运行shufflenetv1_pth2onnx.py脚本。

         python shufflenetv1_pth2onnx.py 1.0x.pth.tar shufflenetv1_bs${bs}.onnx ${bs}
         

         • 参数说明：

           • 第一个参数：权重文件
           • 第二个参数：onnx保存文件
           • 第三个参数：batchsize大小

         获得shufflenetv1_bs${bs}.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=./shufflenetv1_bs${bs}.onnx \
             --input_format=NCHW \
             --input_shape="image:${bs},3,224,224" \
             --output=shufflenetv1_bs${bs} \
             --log=debug \
             --soc_version=Ascend${chip_name} \
             --insert_op_conf=aipp.config \
             --enable_small_channel=1
         

         • 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。

           运行成功后生成shufflenetv1_bs${bs}.om模型文件。

2. 开始推理验证。

   1. 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。

   2. 执行推理。

      python -m ais_bench --model=shufflenetv1_bs${bs}.om --input=./prep_dataset --output=./ --output_dirname=./result --batchsize=${batch_size}  --outfmt=TXT   
      

      • 参数说明：

        • model：om模型地址
        • input：预处理数据
        • output：推理结果保存路径
        • output_dirname:推理结果保存子目录
        • outfmt：输出数据格式

      推理后的输出保存在当前目录result下。

   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。

       python shufflenetv1_postprocess.py result ./val_label.txt ./ result.json
      

      • 参数说明：

        • result：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：

       python -m ais_bench --model=shufflenetv1_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型路径
        • --batchsize：batchsize大小

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	67.71%	2105.9
300I Pro	4	imagenet		4995.94
300I Pro	8	imagenet		6736.81
300I Pro	16	imagenet		7847.36
300I Pro	32	imagenet		5707.72
300I Pro	64	imagenet		5495.01