0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
ascend-robotascend-robot文档整改，gitee->gitcode
ad2a1da9创建于 2025年12月3日历史提交

T2T-ViT 模型-推理指导

概述

balabala

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
    image 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
    class 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. 获取开源模型代码。

    git clone https://github.com/yitu-opensource/T2T-ViT.git
cd T2T-ViT
git reset --hard 0f63dc9558f4d192de926504dbddfa1b3f5db6ca

  2. 获取本仓源码，并放置于第1步获得的T2T-ViT目录下。

  3. 安装必要依赖。

    pip3 install -r requirements.txt

  4. 源码改动。

    1. models/token_performer.py文件打补丁：

      patch -p1 models/token_performer.py token_performer.patch
      • 备注：由于OM模型中Einsum算子低精度计算（float16）会放大误差，导致精度问题。在转OM时使用--keep_dtype参数，尝试让Einsum算子保持原精度(float32)计算，但Einsum算子前面的TransData算子又会使此操作失效。所以定位到Einsum算子在模型源码中的位置，对其进行等价替换后，重新转ONNX，转OM时再使用--keep_dtype参数，TransData算子被消除，--keep_dtype参数生效。

    2. 进入python第三方库timm/data文件夹内：

      patch -p1 loader.py ${patch_path}
      • ${patch_path} 为 loaders.patch 文件路径。

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/
│  ├── n01440764
│  │   ├── ILSVRC2012_val_00000293.JPEG
│  │   ├── ILSVRC2012_val_00002138.JPEG
│  │   ├── ......
│  ├── ......

  2. 数据预处理，将原始数据集转换为模型的输入数据。

    运行T2T_ViT_preprocess.py预处理脚本，生成数据集预处理后的bin文件。

    python3 T2T_ViT_preprocess.py --data-dir ${data_dir} --out-dir ${prep_bin} --gt-path ${gt_path}

    参数说明：

    • --data-dir：数据集路径。
    • --out-dir：指定保存bin文件的路径，比如 prep_bin。
    • --gt-path：生成npy真值文件路径， 比如 label.npy。

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://github.com/yitu-opensource/T2T-ViT/releases/download/main/81.5_T2T_ViT_14.pth.tar

    2. 导出onnx文件。

      1. 使用T2T_ViT_pth2onnx.py导出动态batch的onnx文件。

        python3 T2T_ViT_pth2onnx.py --pth-path 81.5_T2T_ViT_14.pth.tar --onnx-path T2T_ViT.onnx

        参数说明：

        • --pth-path：Pytorch模型文件路径。
        • --onnx-path：ONNX模型文件保存路径。

    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. 安装 auto_optimizer工具， 生成指定算子精度模式的配置文件。

      # 安装依赖
git clone https://gitcode.com/ascend/msadvisor.git
cd msadvisor/auto-optimizer
pip install -r requirements.txt

# 运行脚本生成cfg文件
python3 gen_cfg.py T2T_ViT.onnx keep_dtype.cfg

      参数说明：

      • --参数1：为ONNX模型文件。
      • --参数2：生成的配置文件。

    5. 执行ATC命令。

      # bs = [1, 4, 8, 16, 32, 64]
atc --framework=5 --model=T2T_ViT.onnx --output=T2T_ViT_bs${bs} --input_format=NCHW --input_shape="image:${bs},3,224,224" --log=error --soc_version=Ascend${chip_name} --keep_dtype=keep_dtype.cfg

      运行成功后生成T2T_ViT_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。
      • --keep_dtype：指定算子精度模式的配置文件。

  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。

      python3 -m ais_bench --model=T2T_ViT_bs${bs}.om  --batchsize=${bs} \
--input ${prep_bin} --output result --output_dirname result_bs${bs} --outfmt BIN

      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T2T_ViT_postprocess.py脚本与真值标签比对，可以获得精度数据。

    python3 T2T_ViT_postprocess.py --result-dir ${result_dir} --gt-path ${gt_path}

    参数说明：

    • --result-dir：生成推理结果所在路径，这里为result/result_bs1
    • --gt-path：预处理时生成的标签数据文件路径，这里为label.npy

  4. 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=T2T_ViT_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，T2T_ViT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 81.5% 81.4%
芯片型号 Batch Size 参考性能（FPS）
300I Pro 1 163.14
300I Pro 4 170.73
300I Pro 8 194.66
300I Pro 16 189.98
300I Pro 32 180.15
300I Pro 64 174.90